ТЕКСТУРАЛЫҚ ТИПТЕГІ СУРЕТТЕРДІ ЖАҚСАРТУ ҮШІН МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІН ҚОЛДАНУ

Аннотация

Эта статья посвящена методам машинного обучения, которые фокусируются на улучшении изображений текстурного типа, а именно на улучшении объектов на изображениях. Цель исследования – разработать алгоритмы улучшения изображений и определить точность рассматриваемых моделей улучшения изображений данного типа. Хотя используемые в настоящее время системы цифровой обработки изображений обычно обеспечивают изображения высокого качества, внешние факторы или даже системные ограничения могут привести к тому, что изображения во многих областях науки будут иметь низкое качество и разрешение. Поэтому рассматриваются пороговые значения обработки изображений определенной области науки. Первым шагом в обработке изображений является улучшение изображения. Вопросы обработки изображений сигналов остаются в центре внимания различных специалистов. В настоящее время, наряду с развитием информационных технологий, автоматическое улучшение изображений, используемых в любой области науки, является одной из актуальных задач. Изображения анализировались как объекты: государственные номера автомобилей, лица, участки поля на спутниковых снимках.

В данной работе мы предлагаем использовать модели Generative Adversarial Network со сверхразрешением (SRGAN), Extended Generative Adversarial Networks со сверхразрешением (ERSGAN). Для этого был проведен эксперимент, целью которого было переобучение обученной модели ESRGAN с тремя разными архитектурами сверточной нейронной сети, т.е. е. VGG19, MobileNet2V, ResNet152V2 для добавления потерь восприятия (по пикселям), а также повышения резкости прогноза тестового изображения и сравнения производительности каждой переобученной модели. В результате исследования использование сверточных нейронных сетей для улучшения изображения показало высокую точность, то есть в среднем ESRGAN+MobileNETV2 – 91 %, ESRGAN+VGG19 – 86 %, ESRGAN+ResNet152V2 – 96 %.