Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 3

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: autoencoders

Sortuj według:

Ogranicz wyniki do:

An analysis of denoising neural networks for noise removal in images

Ramakotti Raksha, Paneerselvam Surekha, Kumar Vinodh, Kumar Sachin, Evangeline Jebarani

Przegląd Elektrotechniczny

2023

R. 99, nr 2

27--31

Clean images, when subjected to prolonged transmission, improper image acquisition or conditioned to multiple feature changes, lead to image tarnishing due to unwanted noisy pixels. This proposes to be a major threat in image-processing and computer vision fields. With the evolution of denoising models in the field of Neural Networks, efficient noise removal has become achievable, in a real-time scenario. In this work, two approaches to noise modelling have been considered, i.e., noise as an inverse problem and noise as a residual problem, this has been done by constructing convolutional auto encoders and denoising convolutional networks and their performance in the process of noise removal has been evaluated based on Peak Signal to Noise Ratio (PSNR) and Structural Similarity Index (SSIM).

Czyste obrazy poddane przedłużonej transmisji, niewłaściwej akwizycji obrazu lub poddane wielokrotnym zmianom cech prowadzą do zmatowienia obrazu z powodu niechcianych zaszumionych pikseli. Sugeruje to, że jest to poważne zagrożenie w dziedzinie przetwarzania obrazu i widzenia komputerowego. Wraz z ewolucją modeli odszumiania w dziedzinie sieci neuronowych, efektywne usuwanie hałasu stało się osiągalne w scenariuszu czasu rzeczywistego. W niniejszej pracy rozważono dwa podejścia do modelowania hałasu, tj. hałas jako problem odwrotny i hałas jako problem rezydualny. Dokonano tego poprzez skonstruowanie autoenkoderów splotowych i odszumianie sieci splotowych, a ich wydajność w procesie usuwania hałasu oceniane na podstawie stosunku sygnału szczytowego do szumu (PSNR) i wskaźnika podobieństwa strukturalnego (SSIM).

Autoenkodery. Podstawy budowy wydajnych modeli uczenia maszynowego

Rodewald Gabriel

Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki

2022

nr 26

21--60

Autoenkoder jest siecią neuronową złożoną z pary koder-dekoder. Koder odpowiada za redukcję wymiarowości danych w modelu przy jednoczesnym zachowaniu kluczowych cech, niezbędnych do odtworzenia danych wejściowych przez dekoder. Z uwagi na cechy architektury wewnętrznej wyodrębnia się autoenkodery deterministyczne oraz probabilistyczne. Istnieją wyspecjalizowane wersje autoenkoderów odpowiadające tematyce realizowanych modeli uczenia maszynowego, na przykład autoenkodery odszumiające, rekurencyjne, splotowe, wariacyjne lub rzadkie. W artykule zostały przedstawione jedynie najistotniejsze zagadnienia związane z autoenkoderami.

An autoencoder is a neural network composed of an encoder-decoder pair. The encoder reduces the dimensionality of the data leaving only key features in the model to allow the decoder to reconstruct the input data. Taking into account the internal architecture of autoencoders, a distinction can be made between deterministic autoencoders and probabilistic autoencoders. Only the latter are generative in nature. There are specialised versions of autoencoders corresponding to the subject matter of the machine learning models implemented, for example, de-noising, recursive, convolutional, variational or sparse autoencoders. This paper aims to present the most relevant issues related to autoencoders.

Comparison of methods for correcting outliers in ECG-based biometric identification

Jun Su, Szmajda Miroslaw, Khoma Volodymyr, Khoma Yuriy, Sabodashko Dmytro, Kochan Orest, Wang Jinfei

Metrology and Measurement Systems

2020

Vol. 27, nr 3

387--398

The aim of this paper is to compare the efficiency of various outlier correction methods for ECG signal processing in biometric applications. The main idea is to correct anomalies in various segments of ECG waveform rather than skipping a corrupted ECG heartbeat in order to achieve better statistics. Experiments were performed using a self-collected Lviv Biometric Dataset. This database contains over 1400 records for 95 unique persons. The baseline identification accuracy without any correction is around 86%. After applying the outlier correction the results were improved up to 98% for autoencoder based algorithms and up to 97.1% for sliding Euclidean window. Adding outlier correction stage in the biometric identification process results in increased processing time (up to 20%), however, it is not critical in the most use-cases.