حذف تاری تصویر با استفاده از یادگیری عمیق و شبکه GRNN

آیا می توانید یک شبکه عصبی را بر روی تصاویر تار مصنوعی آموزش دهید؟

“برآورد تاری تصویر تار از طریق یادگیری عمیق” در سه مرحله:

1. تصویر تار را به چند قسمت تقسیم کنید. برای هر قسمت تصویر ، از یک الگوریتم طبقه بندی برای تعیین نوع تار شدن آن قسمت استفاده کنید. انواع احتمالی تارشدگی یا محو شدگی شامل تاری حرکت ، تاری Gaussian و تاری غیر متمرکز می شود.
2. هنگامی که نوع تاری برای یک قسمت مشخص شد. از یک الگوریتم رگرسیون (به ویژه GRNN) برای پیش بینی پارامترهای مدل تاری برای آن منطقه استفاده کنید. (Gaussian blur یک پارامتر σ دارد ، برای مثال.)
3. اکنون که هسته های تار را برای همه قسمت های تصویر می دانیم. می توانیم آخرین مرحله بازیابی لبه های تصویر را برای تصویر بدون تاری (شفاف)انجام دهیم.

آموزش شبکه GRNN

برای هر نوع تار شدن، مانند Gaussian blur،  یک GRNN را با استفاده از یک مجموعه داده آموزشی آموزش می دهیم که با تار کردن مصنوعی بسیاری از  لبه های تصویر با استفاده از بسیاری از پارامترهای تصادفی ایجاد شده برای مدل تار داده شده، ایجاد می شود. به این ترتیب، “حقیقت اصلی” برای همه قسمت های تصویر تار در مجموعه آموزشی شناخته شده است.

سوال:

آیا استفاده از تصاویر تار مصنوعی برای آموزش شبکه عصبی صحیح است؟ مشکل اصلی در استفاده موفقیت آمیز از یادگیری عمیق، ایجاد مجموعه داده عظیمی از داده های دارای برچسب است، که اغلب یک فرآیند پر زحمت و پرهزینه است. ایا با ایجاد یک مجموعه داده آموزشی مصنوعی از این مشکل می توان جلوگیری کرد؟

پاسخ:

بیشتر اوقات آموزش مدل یادگیری ماشین شما بر روی داده های شبیه سازی شده یک پیشنهاد خطرناک است. زیرا داده های تولید شده شما از توزیع واقعی داده هایی که سعی در مدل سازی آن دارید، انحراف دارد. منجر به بایاس ناخواسته (و در نتیجه دقت کمتر) در مدل نهایی شما می شود. یک مشکل احتمالی این است که داده های نمونه خود را به گونه ای تولید کنید که حاوی تعداد مساوی از هر یک از انواع تاری باشد. در حالی که قسمت های واقعی تصویر دارای توزیع بسیار نامتعادل از انواع تاری هستند (به عنوان مثال ٪20تاری دیگر، Gaussian 80٪ ).