|
Title
|
Hybrid-Net: یک شبکه عصبی عمیق برای افزایش کیفیت تصاویر زیر آب
|
|
Type of Research
|
Presentation
|
|
Keywords
|
شبکه های عصبی عمیق، افزایش کیفیت تصویر، شبکه عصبی کانولوشن، تصاویر زیرآب، یادگیری عمیق.
|
|
Abstract
|
امروزه، توسعه، اکتشاف و حفاظت از منابع اقیانوس ها و دریاها موضوع مهمی در بسیاری از کاربردها و صنایع است. تصاویر واضح از زیر آب میتوانند اطلاعات ارزشمندی از دنیای زیر آب فراهم کنند؛ با این حال این تصاویر معمولاً از کنتراست کم، اعوجاج رنگ و مشکلات نویز رنج میبرند و عملیات پردازش تصویر و بینایی ماشین روی تصاویر زیر آب را دچار مشکل می کنند. در این پژوهش، یک شبکهی عصبی عمیق ترکیبی با عنوان Hybrid-Net برای افزایش کیفیت تصاویر زیر آب معرفی می شود. در روش پیشنهادی، تمرکز بیشتر بر روی استفاده از شبکههای عصبی کانولوشنی است. ساختار Hybrid-Net شامل یک معماری چندگانه است که از آن برای یادگیری نقشه اطمینان استفاده میشود. نقشه اطمینان شامل مهمترین ویژگیهای استخراج شده از ورودیهای شبکه است. معماری پیشنهادی علاوه بر تصویر خام ورودی، از کانال های تعادل سفید، متعادل سازی هیستوگرام و تصحیح گاما تغذیه میکند تا نقشه اطمینان مطلوب حاصل شود. همچنین برای اصلاح و بهبود ورودیهای شبکه، از واحدهای کوچکی برای کاهش هاله-ها و مصنوعات موجود در تصاویر استفاده میشود. روش ارائه شده بر روی مجوعه داده UIEB، که شامل 950 تصویر واقعی زیر آب است، آزمایش شده و با استفاده از معیارهای مرجع کامل MSE، PSNR و SSIM با دیگر روش های به روز مقایسه می شود. تجزیه و تحلیل نتایج نشاندهنده کارایی قابل قبول روش پیشنهادی، و بهبود قابل ملاحظه در ساختار و بافت تصاویر در مقایسه با روشهای موجود در زمینه بهبود و افزایش کیفیت تصاویر زیر آب است.
|
|
Researchers
|
(First Researcher)، Mahdi Hashemzadeh (Second Researcher)، Jalil Ghavidel Neycharan (Third Researcher)
|