Информационные технологии интеллектуальной поддержки принятия решений, Информационные технологии интеллектуальной поддержки принятия решений 2018

Размер шрифта: 
О безлинзовом построении изображений с использованием методов машинного обучения
И. П. Болодурина, Л. В. Легашев, Ю. А. Ушаков, П. Н. Полежаев

Изменена: 2018-06-20

Аннотация


В данной статье рассматриваются вопросы формирования безлинзовых изображений посредством использования кодированных апертур. Проводится обзор некоторых работ по применению безлинзовых камер в различных областях научной деятельности. Представляется схема функционирования безлинзовой камеры по захвату информации со сцены и восстановлению исходного изображения. Формулируются проблемы восстановления исходного изображения, улучшения его качества и распознавания изображенных объектов на основе методов машинного обучения.

Ключевые слова


машинное обучение; безлинзовые камеры; распознавание изображений;

Литература


1.         Asif M.S., A. Ayremlou, A. Sankaranarayanan, A. Veeraraghavan, R. Baraniuk FlatCam: Thin, Lensless Cameras Using Coded Aperture and Computation // IEEE Transactions on Computational Imaging – 2017 – P. 384–397.

2.         Zomet A., Nayar S.K. Lensless imaging with a controllable aperture. In Computer Vision and Pattern Recognition // Proceedings of IEEE Computer Society Conference – 2006 –V.1 – P. 339-346.

3.         Maeda Y., Dobashi H., Sugiyama Y., Saeki T., Lim T.K., Harada M., Tanaka T. Colony fingerprint for discrimination of microbial species based on lensless imaging of microcolonies // PloS one Journal, – 2017 – V.12 – № 4.

4.         Antipa N., Kuo G., Ng R., Waller L. 3D DiffuserCam: Single-Shot Compressive Lensless Imaging // Computational Optical Sensing and Imaging. Optical Society of America – 2017.

5.         Gal O., Gmar M., Ivanov O.P., Lainé F., Lamadie F., Le Goaller C., Stepanov V.E. Development of a portable gamma camera with coded aperture // Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment – 2006 – P. 233-237.

6.         Ma C., Suo J., Dai Q., Raskar R., Wetzstein G. High-rank coded aperture projection for extended depth of field // In Computational Photography (ICCP) – 2013 – P. 1-9.

7.         Liu M., Breuel T., Kautz J. Unsupervised Image-to-Image Translation Networks // NIPS 2017 Spotlight, arXiv:1703.00848 2017

8.         Wu J., Zhang C., Xue T., Freeman B., Tenenbaum, J. Learning a probabilistic latent space of object shapes via 3d generative-adversarial modelling // Advances in Neural Information Processing Systems – 2016 – P. 82-90.

9.         Liang M., Hu X. Recurrent Convolutional Neural Network for Object Recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition –  2015 – P. 3367-3375


Полный текст: PDF