Обробка зашумлених цифрових зображень з використанням автоенкодерів, що еволюціонують
DOI:
https://doi.org/10.15587/1729-4061.2017.116134Ключові слова:
обробка цифрових зображень, фільтрація шумів, еволюція, популяція, штучна нейронна мережа, генетичний алгоритм, автоенкодерАнотація
Запропоновано метод нейромережевої обробки зашумлених цифрових зображень, які можуть містити викривлені фрагменти. Метод заснований на використанні шумопригнічуючих автоенкодерів (ШАЕ). Для настроювання параметрів ШАЕ та вибору його структури застосовано нейроеволюційний підхід. Запропонована нейроеволюційна модель ШАЕ характеризується поліпшеними апроксимуючими властивостями. Результати моделювання свідчать про можливість практичного використання запропонованого методу (зокрема, для обробки даних в геоінформаційних системах)Посилання
- Udovenko, S. G., Shamraev, A. A., Shamraeva, E. O. (2013). Metody obrabotki kartograficheskih izobrazheniy. 23-ya Mezhdunarodnaya Krymskaya konferentsiya «SVCh-tekhnika i telekommunikatsionnye tekhnologii». Sevastopol': Veber, 394–395.
- Dudinova, O. B., Udovenko, S. G. (2015). Metod neyrosetevoy obrabotki zashumlennyh prostranstvennyh dannyh. Avtomatizirovannye sistemy upravleniya i pribory avtomatiki, 173, 14–23.
- Bessonov, A. A., Bobuh, V. A., Rudenko, O. G. (2005). Apparatnaya realizatsiya nechetkoy seti SMAS i ee primenenie dlya zadach szhatiya izobrazheniy. Avtomatika. Avtomatizatsiya. Elektrotekhnicheskie kompleksy i sistemy, 2 (16), 47–52.
- Rudenko, O., Bezsonov, O. (2011). Function Approximation Using Robust Radial Basis Function Networks. Journal of Intelligent Learning Systems and Applications, 03 (01), 17–25. doi: 10.4236/jilsa.2011.31003
- Vincent, P., Larochelle, H., Bengio, Y., Manzagol, P.-A. (2008). Extracting and composing robust features with denoising autoencoders. Proceedings of the 25th international conference on Machine learning – ICML '08. doi: 10.1145/1390156.1390294
- Vincent, P., Larochelle, H., Lajoie, I., Bengio, Y., Manzagol, P. A. (2010). Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion. The Journal of Machine Learning Research, 11, 3371–3408.
- Erhan, D., Bengio, Y., Courville, A., Manzagol, P. A., Vincent, P., Bengio, S. (2010). Why does unsupervised pre-training help deep learning. JMLR, 11, 625–660.
- Hurshudov, A. A. (2014). Obuchenie mnogosloynogo razrezhennogo avtoenkodera na izobrazheniyah bol'shogo masshtaba. Vestnik komp'yuternyh i informatsionnyh tekhnologiy, 2 (116), 27–31.
- Potapov, A. S. (2012). Principle of representational minimum description length in image analysis and pattern recognition. Pattern Recognition and Image Analysis, 22 (1), 82–91. doi: 10.1134/s1054661812010294
- Potapov, A. S., Shcherbakov, O. V., Zhdanov, I. N. (2013). Metod predskazaniya na osnove algoritmicheskoy veroyatnosti v zadache vosstanovleniya izobrazheniy v uteryannyh oblastyah. Opticheskiy zhurnal, 80 (11), 48–53.
- Masci, J., Meier, U., Cireşan, D., Schmidhuber, J. (2011). Stacked Convolutional Auto-Encoders for Hierarchical Feature Extraction. Lecture Notes in Computer Science, 52–59. doi: 10.1007/978-3-642-21735-7_7
- Floreano, D., Dürr, P., Mattiussi, C. (2008). Neuroevolution: from architectures to learning. Evolutionary Intelligence, 1 (1), 47–62. doi: 10.1007/s12065-007-0002-4
- Auger, A., Hansen, N. (2011). Theory of Evolution Strategies: A New Perspective. Series on Theoretical Computer Science, 289–325. doi: 10.1142/9789814282673_0010
- Autoencoders. Available at: http://ufldl.stanford.edu/tutorial/unsupervised/Autoencoders/
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2017 Oleksandr Bezsonov, Oleg Rudenko, Serhii Udovenko, Olga Dudinova
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.