Mustaqil ishi Mavzu: Algoritmlarni loyihalashtirish va tahlil qilish Bajardi: Xamrayev Mansur (301-23) Tekshirdi: Mamatov Narzullo Toshkent 2023 Reja

Download 0,67 Mb.
bet	5/5
Sana	21.05.2024
Hajmi	0,67 Mb.
	#248644

1 2 3 4 5

Bog'liq
Tasvirlarga dastlabki ishlov berish algoritmlari.

Toliq boglangan qatlam
Generativ raqib tarmoqlari

Konvolyutsion qatlam (CONV): Ular CNN ning asosiy qurilish bloki bo'lib, u konvolyutsiya operatsiyasini bajarish uchun javobgardir. Bu qatlamda konvolyutsiya operatsiyasini bajarishda ishtirok etadigan element yadro/filtr (matritsa) deb ataladi. Yadro gorizontal va vertikal siljishlarni to'liq tasvirni bosib o'tmaguncha qadam tezligiga qarab amalga oshiradi.

Pooling Layer (POOL): Ushbu qatlam o'lchamlarni kamaytirish uchun javobgardir. Bu ma'lumotlarni qayta ishlash uchun zarur bo'lgan hisoblash quvvatini kamaytirishga yordam beradi. Poolingning ikki turi mavjud: Maks Pooling va Average Pooling. Maksimal birlashma tasvirdagi yadro bilan qoplangan maydondan maksimal qiymatni qaytaradi. O'rtacha birlashtirish tasvirning yadro bilan qoplangan qismidagi barcha qiymatlarning o'rtacha qiymatini qaytaradi.

To'liq bog'langan qatlam (FC): To'liq bog'langan qatlam (FC) har bir kirish barcha neyronlarga ulangan tekislangan kirishda ishlaydi. Agar mavjud bo'lsa, FC qatlamlari odatda CNN arxitekturasining oxirida topiladi

CNN asosan uning qatlamlari yordamida tasvirdan xususiyatlarni olishda ishlatiladi. CNN tasvirlarni tasniflashda keng qo'llaniladi, bu erda har bir kirish tasviri 0 dan 1 gacha bo'lgan ehtimollik qiymatini olish uchun qatlamlar qatoridan o'tkaziladi.

Generativ raqib tarmoqlari
Generativ modellar nazoratsiz o'rganish usulidan foydalanadi (tasvirlar mavjud, ammo yorliqlar taqdim etilmaydi).
GANlar ikkita modeldan iborat Generator va Diskriminator. Generator diskriminatorni aldash uchun real ko'rinadigan soxta tasvirlarni yaratishni o'rganadi va Diskriminator soxtani haqiqiy tasvirlardan ajratishni o'rganadi (aldanmaslikka harakat qiladi).
Generatorga haqiqiy tasvirlarni ko'rishga ruxsat berilmaydi, shuning uchun u boshlang'ich bosqichda yomon natijalar berishi mumkin, diskriminatorga haqiqiy tasvirlarni ko'rishga ruxsat beriladi, lekin ular generator tomonidan ishlab chiqarilgan soxta tasvirlar bilan aralashib ketadi, ularni haqiqiy yoki haqiqiy deb tasniflashi kerak. soxta.
Ba'zi shovqinlar generatorga kirish sifatida beriladi, shunda u har safar bir xil turdagi tasvirni emas, balki har xil misollarni ishlab chiqarishi mumkin. Diskriminator tomonidan bashorat qilingan ballarga asoslanib, generator o'z natijalarini yaxshilashga harakat qiladi, ma'lum vaqtdan so'ng, generator farqlash qiyinroq bo'lgan tasvirlarni ishlab chiqarishi mumkin bo'ladi, bu vaqtda foydalanuvchi mamnun bo'ladi. uning natijalari. Diskriminator ham o'zini yaxshilaydi, chunki u generatordan har bir turda tobora ko'proq real tasvirlarni oladi.
GAN ning mashhur turlari chuqur konvolyutsion GAN (DCGAN), shartli GAN (cGAN), StyleGAN, CycleGAN, DiscoGAN, GauGAN va boshqalar.
GANlar tasvirni yaratish va manipulyatsiya qilish uchun juda yaxshi. GAN-larning ba'zi ilovalari quyidagilardan iborat: yuz qarishi, fotosuratlarni aralashtirish, super rezolyutsiya, fotosuratlarni bo'yash, kiyim-kechak tarjimasi.

Xulosa

Tasvirni oldindan qayta ishlash algoritmlari sohasi kompyuter ko'rishdan tortib tibbiy tasvirga qadar turli xil ilovalarda juda muhimdir. Ushbu algoritmlar tasvir sifatini oshirish, shovqinni kamaytirish va mazmunli ma'lumotlarni olishda hal qiluvchi rol o'ynaydi. Xulosa qilib aytganda, tasvirni oldindan qayta ishlash algoritmlari quyidagilar uchun zarur:
1. Shovqinni kamaytirish: Gauss loyqaligi, median filtrlash va ikki tomonlama filtrlash kabi algoritmlar shovqinni olib tashlash va tasvir ravshanligini yaxshilashga yordam beradi.
2. Tasvirni yaxshilash: Gistogrammani tenglashtirish, kontrastni cho'zish va gamma tuzatish kabi usullar yaxshiroq tahlil qilish va talqin qilish uchun tasvirlarning vizual ko'rinishini yaxshilaydi.
3. Feature Extraction: Sobel, Canny va Laplacian of Gaussian (LoG) kabi chekkalarni aniqlash algoritmlari tasvirlardan ob'ektni aniqlash va tasniflash vazifalari uchun foydali bo'lgan muhim xususiyatlarni ajratib oladi.
4. Segmentatsiya: chegaralash, mintaqani o'stirish va suv havzasini segmentlash kabi algoritmlar tasvirlarni mazmunli hududlarga bo'lib, ob'ektni aniqlash va kuzatishda yordam beradi.
5. Rang maydonini o‘zgartirish: RGB, HSV va YUV kabi turli rang bo‘shliqlari o‘rtasida tasvirlarni aylantirish ranglarni yaxshiroq tahlil qilish va manipulyatsiya qilish imkonini beradi.
Umuman olganda, tasvirni oldindan qayta ishlash algoritmlari keyingi tahlil qilish, sharhlash va qaror qabul qilish uchun xom tasvirlarni tayyorlash orqali tasvirga asoslangan ilovalarning muvaffaqiyatiga sezilarli hissa qo'shadi.

Download 0,67 Mb.

1 2 3 4 5

Download 0,67 Mb.