;)
В статье рассматривается проблема определения блюра несколько шире.
Какой тип(радиал, гауссово размытие, смаз, дефокус ), и по возможности параметры этого смаза.
Что поможет в применении алгоритмов восстановления представленными вами.
Автору уважение!!!
И еще одна ссылочка на соседнюю проблему.
А какой у нас блюр на кратинке?
Aizenberg I., Bregin T., Butakoff C., Karnaukhov V., Merzlyakov N. and Milukova O., «Type of Blur and Blur Parameters Identification Using Neural Network and Its Application to Image Restoration». Lecture Notes in Computer Science, Vol. 2415, Springer, 2002, pp. 1231-1236.
исключения (ведь из каждого правила есть исключения, да?).
что вы описали?
При такой постановке, я не вижу смысла городить нейросеть.
Что собственно должна делать нейросеть?
Должна вывести ту «функцию» которую мы не видим (не можем формализировать, описать).
То есть при подаче некоторого набора данных должен получаться набор определенных результатов. а что предлагаете вы?
Если эталонная выборка не дает нужного эффекта, попробуем прямо противоположное — будем обучать НС на ошибках! Таким образом, на вход гипотетической сети будем подавать неверное значение X, а на выход — соответствующее ему значение Y. И что же в таком случае получится? А получится то, что мы самым грубым образом ограничим пространство вариантов.
позвольте спросить а откуда известно что вот этот «неправильный» набор Х` приведет к этому неправильному набору Y`? Где зависимость которую вы хотите построить? к набору Y` может привести наборы Х`1, Х`2, Х`3,...., Х`n
Вы меняете местами множества входных данных, причем идете вместо уменьшения к увеличению пространства возможных вариантов. Ваша гипотеза не может вести к сходимости обучения. Ибо мощность множества «неправильных» примеров, больше мощности множества «правильных» (топология).
сори, но надо читать хоть немного теории, а потом писать!!!
читайте Back Propagation системы обучения.
Как говорил мой проф, на спец курсе но НС:
— Есть мальчик Вася, которого вы хотите чему-то обучить. Если дал правильный ответ, выдайте ему конфету. Если ошибся, выдайте подзатыльник.
Вы пускаете самое главное. Процесс сходимости обучения может быть отображен, не линией, а неким пространством.
Как уже правильно заметили, выше.
Как только у вас будет нейронов больше одного, и сеть станет многослойной, все ваши выкладки рухнут.
Кажется вы пропустили один важный момент.
сравнение двух точек дано только для примера.
Сравнитель для каждого папортника может быть свой.
некоторая инвариантность к поворотам обеспечивается преходом в спектранльое предсталение изображений. (спектры ДПФ инвариантны к повороту изображения).
Самое главное в таком подходе это паралелизм обработки. Причем довольно высокий.
в результате получаем 8-бит изображение.
которое то же можна бинаризировать и «схлопнуть» получить бинарный трэк.
Можна, селективно, использовать только самые значащие битовые плоскости.
вывески на стене, в правой части кадра
А на автомате?
на потоке определять тип блюра и устранять его?
да еще и параметры устранения подобрать?
Вот вам и новая задачка. ;)
img-service.com/overview/image_restoration_deblurring.html
В конце страницы, фото улицы.
img-service.com/overview/pics/chap3/uzhg.html
100% natural фото, могу представить оригинал с EXIF.
И восстановление одним из представленных алгоритмов.
img-service.com/overview/pics/chap3/uzhg_rest.html
В статье рассматривается проблема определения блюра несколько шире.
Какой тип(радиал, гауссово размытие, смаз, дефокус ), и по возможности параметры этого смаза.
Что поможет в применении алгоритмов восстановления представленными вами.
И еще одна ссылочка на соседнюю проблему.
А какой у нас блюр на кратинке?
Aizenberg I., Bregin T., Butakoff C., Karnaukhov V., Merzlyakov N. and Milukova O., «Type of Blur and Blur Parameters Identification Using Neural Network and Its Application to Image Restoration». Lecture Notes in Computer Science, Vol. 2415, Springer, 2002, pp. 1231-1236.
Многие вещи реализовывал в коде, для потверждения и развития теоретических выкладок.
Реализация не настолько сложная насколько кажется.
Теория стройная.
MLMVN это обобщение многозначной логики.
особенно, если от 0/1 отказаться.
смотрим MLMVN
что вы описали?
При такой постановке, я не вижу смысла городить нейросеть.
Что собственно должна делать нейросеть?
Должна вывести ту «функцию» которую мы не видим (не можем формализировать, описать).
То есть при подаче некоторого набора данных должен получаться набор определенных результатов. а что предлагаете вы?
Если эталонная выборка не дает нужного эффекта, попробуем прямо противоположное — будем обучать НС на ошибках! Таким образом, на вход гипотетической сети будем подавать неверное значение X, а на выход — соответствующее ему значение Y. И что же в таком случае получится? А получится то, что мы самым грубым образом ограничим пространство вариантов.
позвольте спросить а откуда известно что вот этот «неправильный» набор Х` приведет к этому неправильному набору Y`? Где зависимость которую вы хотите построить? к набору Y` может привести наборы Х`1, Х`2, Х`3,...., Х`n
Вы меняете местами множества входных данных, причем идете вместо уменьшения к увеличению пространства возможных вариантов. Ваша гипотеза не может вести к сходимости обучения. Ибо мощность множества «неправильных» примеров, больше мощности множества «правильных» (топология).
читайте Back Propagation системы обучения.
Как говорил мой проф, на спец курсе но НС:
— Есть мальчик Вася, которого вы хотите чему-то обучить. Если дал правильный ответ, выдайте ему конфету. Если ошибся, выдайте подзатыльник.
Вы пускаете самое главное. Процесс сходимости обучения может быть отображен, не линией, а неким пространством.
Как уже правильно заметили, выше.
Как только у вас будет нейронов больше одного, и сеть станет многослойной, все ваши выкладки рухнут.
img-service.com/overview/image_restoration_deblurring.html
последнее обновление 2002 год.
парни пошли дальше. Молодцы
сравнение двух точек дано только для примера.
Сравнитель для каждого папортника может быть свой.
некоторая инвариантность к поворотам обеспечивается преходом в спектранльое предсталение изображений. (спектры ДПФ инвариантны к повороту изображения).
Самое главное в таком подходе это паралелизм обработки. Причем довольно высокий.
SMT производства и Assembly производства столько и потребляют.
сборочные заводы в восточной европе это 2-4 тыс народу (1-3 цеха)
Есть.
первая ссылка это одна из наших публикаций.
а продукт получился коммерческий.
не столько торопился, сколько, не серьезно к этому подошел
тем более это мааахонький кусочек того чем я занималась наша команда на протяжении 4 лет
которое то же можна бинаризировать и «схлопнуть» получить бинарный трэк.
Можна, селективно, использовать только самые значащие битовые плоскости.
Надо, наверное, добавить примеров