Um Modelo de Construção de Super-resolução de Imagem Baseado em Rede de Aprendizagem

- 159273
Iniciação Científica-Poster
Favoritar este trabalho
Como citar esse trabalho?
Resumo

O uso de aprendizagem profunda para melhor resolução de imagens têm cada vez mais ganhado espaço na pesquisa acadêmica e no mercado. Isso foi possível graças ao desenvolvimento do algoritmo de rede neural convolucional (CNN) proposto por Dong et al, que passou a ser aplicado no aperfeiçoamento das características de uma imagem, tais quais: luz, sombra, coloração, pixelagem e digital. Esses algoritmos de aprendizagem profunda unidos com ferramentas de análise de dados para imagens tem permitido processar grande banco de imagens e aumentar a nitidez e relevância de informação contida em tais. Dado isso, o presente trabalho tem como propósito desenvolver uma melhor abordagem para o algoritmo EDSAN proposto por K. Ooi, Haidi Ibrahim e Muhammad N.
Mahyuddin no artigo “Enhanced Dense Space Attention Network for Super-Resolution Construction From Single Input Image”. A proposta é replicar os resultados em nossa própria pesquisa e por meio de análise dos testes propor novas abordagens para a CNN. Será utilizado a linguagem Python, juntamente com as bibliotecas gráficas OpenGI e OpenCV para análise de imagens. A metodologia a
ser seguida pelo trabalho divide-se nas seguintes etapas para análise de dados: escolha de um banco de dados, o pré-processamento desses dados e o treinamento e teste, para o último faz-se uso de métricas,otimizadores e tipos de função de perda. O banco de dados (DIV2K) escolhido consisteem
800 imagens de teste e 200 de validação, com resolução média de 1972 × 1437 pixels, em cores e no formato PNG. Até o momento concluímos a etapa de análise e levantamento bibliográfico de livros e artigos por meio do estudo teórico. Isso permitiu compreender o funcionamento dos algoritmos de rede
residual em cascata (CRN) e rede residual aprimorada (ERN) aplicados à melhoria da Rede Espacial de Atenção Densa (EDSAN). Os CRN e ERN podem ser considerados mais acurados quanto a precisão e o tempo de resposta, bem como os recursos usados. Como próximos passos na outra metade do projeto, busca-se a implementação do algoritmo gerando imagens de multiresolução por métodos tradicionais com as técnicas de interpolação, em seguida com filtros e convoluções. Então, será proposto alterações no algoritmo EDSAN com novas abordagens. O modelo EDSAN tem bons resultados conforme proposto pelos seus autores e com o aperfeiçoamento das técnicas de aprendizagem profunda e redes neurais convolucionais seu uso se tornará cada vez mais primordial para sociedade. Aplicações dos seus usos incluem a medicina virtual, a astronomia, a computação
quântica, agricultura e segurança.

Compartilhe suas ideias ou dúvidas com os autores!

Sabia que o maior estímulo no desenvolvimento científico e cultural é a curiosidade? Deixe seus questionamentos ou sugestões para o autor!

Faça login para interagir

Tem uma dúvida ou sugestão? Compartilhe seu feedback com os autores!

Instituições
  • 1 Universidade Estadual do Norte Fluminense Darcy Ribeiro
Eixo Temático
  • 1.3 UENF - Ciências Exatas e da Terra e Engenharias (CCT): 1. Ciências Exatas e da Terra
Palavras-chave
Rede neural convolucional; Aprendizagem Profunda; alta resolução de imagens