U-Net과 Partial Convolutions를 이용한 수중 이미지에서 부유물 제거
论文
배경
부유물을 포함한 수중 영상에서 부유물이 없는 영상을 복원하기 위해 부유물이 존재하는 영역을 U-Net을 이용하여 추정하고, 이를 바탕으로 생성한 마스크 영상을 이용하여 Partial Convolutions를 수행함으로써 , 부유물을 제거하는 기술을 제안한다.
제안 기법
부유물 영역 추정과 Image Inpainting의 2단계 처리로 이루어진다.
첫 번째 단계 : 부유물 영역 추정은 인공 부유물 이미지와 그에 해당하는 마스크 이미지를 사용하여 훈련 된 U-Net으로 추정됩니다.
2단계: Image Inpainting은 부유물이 없는 수중 이미지와 1단계 마스크 이미지를 사용하여 훈련한 Partial Convolutions에서 추정을 실시한다.
데이터 세트
수중 이미지는 데이터베이스 J-EDI(JAMSTEC E-library of Deep-sea Images)에서 다운로드한 1263장의 부유물이 없는 수중 이미지를 Data Augmentation에서 11367장으로 늘렸다.
인공 노이즈 작성
빈 이미지에 대해 모양과 크기 및 실제 부유물의 색상에 가까운 색을 가진 여러 패턴을 무작위로 생성하고 가우시안 필터와 평균화 필터를 모두 사용하여 흐리게하여 부유물 이미지를 생성한다. 생성 된 이미지를 원래 이미지에 추가하여 인공 부유물이있는 수중 이미지를 생성합니다.
결과
요약
실험 결과 인공 부유물의 특징을 학습함으로써 실제 부유물도 검출할 수 있어 복원된 화상에서는 부유물이 잘 제거되어 있는 것을 확인하였다.
Reference
이 문제에 관하여(U-Net과 Partial Convolutions를 이용한 수중 이미지에서 부유물 제거), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/LILEIlileilei/items/6e481e0966a7a5acb9cb
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
부유물을 포함한 수중 영상에서 부유물이 없는 영상을 복원하기 위해 부유물이 존재하는 영역을 U-Net을 이용하여 추정하고, 이를 바탕으로 생성한 마스크 영상을 이용하여 Partial Convolutions를 수행함으로써 , 부유물을 제거하는 기술을 제안한다.
제안 기법
부유물 영역 추정과 Image Inpainting의 2단계 처리로 이루어진다.
첫 번째 단계 : 부유물 영역 추정은 인공 부유물 이미지와 그에 해당하는 마스크 이미지를 사용하여 훈련 된 U-Net으로 추정됩니다.
2단계: Image Inpainting은 부유물이 없는 수중 이미지와 1단계 마스크 이미지를 사용하여 훈련한 Partial Convolutions에서 추정을 실시한다.
데이터 세트
수중 이미지는 데이터베이스 J-EDI(JAMSTEC E-library of Deep-sea Images)에서 다운로드한 1263장의 부유물이 없는 수중 이미지를 Data Augmentation에서 11367장으로 늘렸다.
인공 노이즈 작성
빈 이미지에 대해 모양과 크기 및 실제 부유물의 색상에 가까운 색을 가진 여러 패턴을 무작위로 생성하고 가우시안 필터와 평균화 필터를 모두 사용하여 흐리게하여 부유물 이미지를 생성한다. 생성 된 이미지를 원래 이미지에 추가하여 인공 부유물이있는 수중 이미지를 생성합니다.
결과
요약
실험 결과 인공 부유물의 특징을 학습함으로써 실제 부유물도 검출할 수 있어 복원된 화상에서는 부유물이 잘 제거되어 있는 것을 확인하였다.
Reference
이 문제에 관하여(U-Net과 Partial Convolutions를 이용한 수중 이미지에서 부유물 제거), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/LILEIlileilei/items/6e481e0966a7a5acb9cb
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
수중 이미지는 데이터베이스 J-EDI(JAMSTEC E-library of Deep-sea Images)에서 다운로드한 1263장의 부유물이 없는 수중 이미지를 Data Augmentation에서 11367장으로 늘렸다.
인공 노이즈 작성
빈 이미지에 대해 모양과 크기 및 실제 부유물의 색상에 가까운 색을 가진 여러 패턴을 무작위로 생성하고 가우시안 필터와 평균화 필터를 모두 사용하여 흐리게하여 부유물 이미지를 생성한다. 생성 된 이미지를 원래 이미지에 추가하여 인공 부유물이있는 수중 이미지를 생성합니다.
결과
요약
실험 결과 인공 부유물의 특징을 학습함으로써 실제 부유물도 검출할 수 있어 복원된 화상에서는 부유물이 잘 제거되어 있는 것을 확인하였다.
Reference
이 문제에 관하여(U-Net과 Partial Convolutions를 이용한 수중 이미지에서 부유물 제거), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/LILEIlileilei/items/6e481e0966a7a5acb9cb
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
요약
실험 결과 인공 부유물의 특징을 학습함으로써 실제 부유물도 검출할 수 있어 복원된 화상에서는 부유물이 잘 제거되어 있는 것을 확인하였다.
Reference
이 문제에 관하여(U-Net과 Partial Convolutions를 이용한 수중 이미지에서 부유물 제거), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/LILEIlileilei/items/6e481e0966a7a5acb9cb
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
Reference
이 문제에 관하여(U-Net과 Partial Convolutions를 이용한 수중 이미지에서 부유물 제거), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/LILEIlileilei/items/6e481e0966a7a5acb9cb텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)