Rozpoznawanie i rekonstrukcja obrazów jako problem odwrotny z zastosowaniem systemu uczenia maszynowego

• Autorzy: Citko Wiesław , Sieńko Wiesław

Identyfikatory

DOI

10.15199/48.2022.09.34

Warianty tytułu

EN

Image recognition and reconstruction as Inverse problem, using machine learning system

• Języki publikacji: PL

Abstrakty

PL

Rekonstrukcja i rozpoznawanie obrazów jest typowym problemem występującym w wielu systemach przetwarzania obrazów. Zagadnienie to można sformułować jako rozwiązanie problemu odwrotnego. W artykule zaprezentowano autorski model systemu uczenia maszynowego, który może być wykorzystany do rekonstrukcji i rozpoznawania obrazów na podstawie ich liniowych projekcji.

EN

Image reconstruction and recognition is a common problem found in many image processing systems. This problem can be formulated as a solution to the inverse problem. The article presents the author's model of a machine learning system that can be used for the reconstruction and recognition of images based on their linear projections.

Słowa kluczowe

PL

system uczenia maszynowego; rozpoznawanie obrazu; rekonstrukcja obrazu; problem odwrotny

EN

machine learning systems; image recognition; inverse problem; image reconstruction

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 9
• Strony: 154--157
• Opis fizyczny: Bibliogr. 16 poz., rys., tab.

Twórcy

autor

Citko Wiesław

• Uniwersytet Morski Gdynia, Wydział Elektryczny, ul. Morska 81-87, 81-225 Gdynia

• https://orcid.org/0000-0003-3517-4046

autor

Sieńko Wiesław

• Uniwersytet Morski Gdynia, Wydział Elektryczny, ul. Morska 81-87, 81-225 Gdynia

• https://orcid.org/0000-0003-2941-2415

Bibliografia

• [1] Pal S.K., Ghosh A., Kundu M.K. (Eds.), Soft Computing forImage Processing, In Studies in Fuzziness and Soft Computing, Physica-Verlang Heidelberg (2000), New York, NY,USA.
• [2] Huang Z., Ye S., McCann M.T., Ravishankar S., Model-basedReconstruction with Learning: From Unsupervised toSupervised and Beyond, arXiv (2021), arXiv:2103.14528v1.
• [3] Kaderuppan S. S., Wong W.W.L., Sharma A., Woo W.L.,Smart Nanoscopy: A Review of Computational Approaches toAchieve Super-Resolved Optical Microscopy, IEEE Access(2020), no.8, 214801–214831.
• [4] Ramanarayanan S., Murugesan B., Ram K., Sivaprakasam M.,DC-WCNN: A Deep Cascade of Wavelet Based ConvolutionalNeural Networks for MR Image Reconstruction, In Proceedings of the IEEE 17th International Symposium on Biomedical Imaging (ISBI), Iowa City, IA, USA, 3–7 April 2020.
• [5] Fessler A.J., Optimization Methods for Magnetic ResonanceImage Reconstruction: Key Models and OptimizationAlgorithms, IEEE Signal Process. Mag., 37 (2020), 33–40.
• [6] Zheng H., Sherazi S.W.A., Son S.H., Lee J.Y., A DeepConvolutional Neural Network-Based Multi-Class ImageClassification for Automatic Wafer Map Failure Recognition inSemiconductor Manufacturing, Appl. Sci., 11 (2021), 9769.
• [7] Szhou S.K., Greenspan H., Davatzikos C., Duncan J.S.,Ginneken B., Madabhushi A., Prince J.L., Rueckert D., Summers R.M., A Review of Deep Learning in MedicalImaging: Imaging Traits, Technology Trends, Case Studies withProgress Highlights, and Future Promise Proc. IEEE, 109 (2021), 820–838.
• [8] Quan T.M., Nguyen-Duc T., Jeong W.K., Compressed SensingMRI Reconstruction Using a Generative Adversarial Networkwith a Cyclic Loss. IEEE Trans. Med. Imaging, 37 (2018),1488–1497.
• [9] Mardani M., Gong E., Cheng J.Y., Vasanawala S.S.,Zaharchuk G., Xing, L., Pauly J.M., Deep GenerativeAdversarial Neural Networks for compressive sensing MRI,IEEE Trans. Med. Imaging, 38 (2019),167–179.
• [10]Liang D., Cheng J., Ke Z., Ying L., Deep Magnetic ResonanceImage Reconstruction: Inverse Problems Meet NeuralNetworks. IEEE Signal Process. Mag., 37 (2020), 141–151.
• [11]Citko W., Sienko W., Hamiltonian and Q-Inspired NeuralNetwork-Based Machine Learning, IEEE Access, (2020), no. 8, 220437–220449.
• [12]Citko W., Sienko W., Inpainted Image Reconstruction Using an Extended Hopfield Neural Network Based Machine Learning System, Sensors, 22 (2022), no. 3.
• [13]Citko W., Trzebiatowski A., Sienko W., Rekonstrukcja zdjęć twarzy z wykorzystaniem systemu uczenia maszynowego, Przegląd Elektrotechniczny, 97 (2021), nr.12, 191-194.
• [14]Gilton D., Ongie G., Willett R., Deep Equilibrium Architectures for Inverse Problems in Imaging. arXiv (2021), arXiv:2102.07944v2.
• [15]Arridge S., Maass P., Oktem O., Schonlieb C., Solving InverseProblems using Data-driven Models, Acta Numer., 28, (2019),1–174.
• [16]Ongie G., Jalal A., Metzler C.A., Baraniuk R.G., Dimakis A.G.,Willett R., Deep Learning Techniques for Inverse Problems inImaging, arXiv (2020), arXiv:205.06001

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).