Применение машинного обучения для улучшения графических образов

Содержание

Слайд 2

Введение

Введение

Слайд 3

Машинное обучение

Машинное обучение - это множество математических методов для разработки алгоритмов, способных

Машинное обучение Машинное обучение - это множество математических методов для разработки алгоритмов,
решать задачи, которые основаны на поиске закономерностей во входных данных.

Решение вычисляется не по четкой формуле, а по устанавливаемой в процессе обучения зависимости известных результатов от конкретного набора признаков и их значений.

Риc. 1 Классификация

Риc. 2 Кластеризация

Риc. 3 Регрессия

Слайд 4

Машинное обучение

Машинное обучение - это множество математичеких методов для разработки алгоритмов, способных

Машинное обучение Машинное обучение - это множество математичеких методов для разработки алгоритмов,
решать задачи, которые основаны на поиске закономерностей во входных данных.

Решение вычисляется не по четкой формуле, а по устанавливаемой в процессе обучения зависимости известных результатов от конкретного набора признаков и их значений.

Риc. 4 Машинное зрение

Риc. 5 Машинный слух

Слайд 5

Машинное обучение

Обработка растровых изображений

Машинное обучение находит свое применение и в задаче обработки

Машинное обучение Обработка растровых изображений Машинное обучение находит свое применение и в
изображений.

Риc. 4 Видео с камер наблюдения

Одна из распространенных проблем с растровыми изображениями – это их низкое разрешение, а значит и качество.

Качество растрового изображения зависит от размера изображения (количества пикселей по горизонтали и вертикали) и количества цветов, которые можно задать для каждого пикселя.

Слайд 6

Интерполяционные методы

Метод ближайшего соседа (алгоритм)

Исходное изображение

Преобразование

Результат

4pix

4pix

8pix

8pix

8pix

8pix

Интерполяционные методы Метод ближайшего соседа (алгоритм) Исходное изображение Преобразование Результат 4pix 4pix 8pix 8pix 8pix 8pix

Слайд 7

Интерполяционные методы

Метод ближайшего соседа (пример)

Исходное изображение (124х118)

Результат преобразования (496х472) Заметный эффект пикселизации

Интерполяционные методы Метод ближайшего соседа (пример) Исходное изображение (124х118) Результат преобразования (496х472) Заметный эффект пикселизации

Слайд 8

Интерполяционные методы

Бикубическая интерполяция (пример)

Результат преобразования (496х472) Заметный эффект размытия

Исходное изображение (124х118)

Интерполяционные методы Бикубическая интерполяция (пример) Результат преобразования (496х472) Заметный эффект размытия Исходное изображение (124х118)

Слайд 9

Интерполяционные методы

Билинейная интерполяция (пример)

Результат преобразования (496х472) Усиленный эффект размытия

Исходное изображение (124х118)

Интерполяционные методы Билинейная интерполяция (пример) Результат преобразования (496х472) Усиленный эффект размытия Исходное изображение (124х118)

Слайд 10

Интерполяционные методы

Сравнение результатов преобразования

Метод ближайшего соседа

Бикубическая интерполяция

Билинейная интерполяция

Интерполяционные методы Сравнение результатов преобразования Метод ближайшего соседа Бикубическая интерполяция Билинейная интерполяция

Слайд 11

Super-Resolution

Super-Resolution

Слайд 12

SRGAN (Generative Adversarial Network)

SRGAN (Generative Adversarial Network)

Слайд 13

SRGAN (Generative Adversarial Network)

SRGAN (Generative Adversarial Network)

Слайд 14

SRGAN (Generative Adversarial Network)

SRGAN (Generative Adversarial Network)
Имя файла: Применение-машинного-обучения-для-улучшения-графических-образов.pptx
Количество просмотров: 40
Количество скачиваний: 0