Open AccessОЦІНКА ЕФЕКТИВНОСТІ МОДЕЛЕЙ МЕРЕЖ ГЛИБИННОГО НАВЧАННЯ ПІДВИЩЕННЯ РОЗДІЛЬНОЇ ЗДАТНОСТІ ЗОБРАЖЕНЬ
Author(s) -
Anatoliy Demchyshyn
Publication year - 2019
Publication title -
sistemnì tehnologìï
Language(s) - Ukrainian
Resource type - Journals
eISSN - 2707-7977
pISSN - 1562-9945
DOI - 10.34185/1562-9945-5-124-2019-15
Subject(s) - generative adversarial network , resolution (logic) , residual , computer science , image (mathematics) , artificial intelligence , materials science , algorithm
На сьогоднішній день мережі глибинного навчання демонструють значну перевагу перед іншими алгоритмами комп’ютерного бачення. Розглядається задача оцінки ефективності підвищення інформативності зображень, які отримано з використанням двох найновіших на даний час моделей нейронних мереж: Residual Dense Network for Image Super-Resolution та Enhanced Super-Resolution Generative Adversarial Network. В якості метрик інформативності зображення застосовано: функцію розподілу щільності вірогідності відтінків пікселів; значення ентропії, яке характеризує міру різноманітності кожного окремого пікселу вибірки; та значення ємності каналу для передачі повідомлення, яке стиснено на основі алгоритму LZ77.Одержані результати свідчать про підвищення інформативності зображення у вигляді росту ентропії за Шенноном з 7.43 до 7.81 та 7.62 для мережі ESRGAN та RDN відповідно. Водночас, показано, що класична білінійна інтерполяція вибірки може з успіхом використовуватись для підвищення її інформативності (7.62). Продемонстровано, що метрика LZ77, яка вимірює ємність каналу для передачі повідомлення, є більш адекватною для оцінки візуальної цінності повідомлення, ніж метрика ентропії за Шенноном.