В статье рассмотрены вопросы разработки модели нейронной сети для колоризации черно-белых изображений. Описаны основные вопросы, возникающие при проектировании модели нейронной сети для решения данной задачи. Обоснован выбор перехода на работу с цветовым пространством LAB из RGB. Описана архитектура GAN. Описана архитектура U-Net. Построены модели генератора и дискриминатора. Описан использованный при разработке нейронной сети инструментарий.
Идентификаторы и классификаторы
Архитектура дискриминатора гораздо более прямолинейна. Модель дискриминатора реализована путем укладки блоков Conv-BatchNorm-LeackyReLU. Важно отметить, что первый и последний блоки не используют нормализацию, а последний блок не имеет функции активации (она встроена в использованную функцию потерь). В оригинальном дискриминаторе модель выводит одно число (масштабатор), которое представляет, насколько модель считает входные данные (то есть все изображение) реальными (или поддельными). В данном дискриминаторе модель выводит одно число для каждого фрагмента изображения, и для каждого из них решает, является ли оно поддельным или нет. Использование такой модели для задачи раскрашивания выглядит более разумным, так как локальные изменения, которые необходимо внести в модель, действительно важны, и возможно принятие решения по всему изображению, как в оригинальном дискриминаторе, не может позаботиться о тонкостях данной задачи.
Список литературы
-
Игольников Н. А., Марков Н. Г. Исследование эффективности сверточных нейронный сетей класса U-Net. URL: https://earchive.tpu.ru/bitstream/11683/62173/1/conference_tpu-2020-C04_p85-86 (дата обращения: 23.04.2022).
-
Плотников М. В. GAN - Генеративные состязательные искусственные нейронные сети // Математика и математическое моделирование: сб. материалов XIII Всерос. молодеж. науч.- инновац. школы / СарФТИ НИЯУ МИФИ. Саров: Интерконтакт, 2019. С. 290-292. EDN: JMMLSP
-
Новиков А. О., Лезин И. А. Система колоризации изображений с помощью нейронных сетей // Перспективные информационные технологии: тр. Междунар. науч.-техн. конф. (Самара, 26-28 апр. 2016. Г.). Самара: Самарский науч. центр РАН, 2016. С. 137-139. EDN: WDTNQB
-
Лезина И. В. Новиков А. О. Колоризация изображений с помощью нейронных сетей // Перспективные информационные технологии: тр. Междунар. науч.-техн. конф. Самара: Самарский науч. центр РАН, 2015. Т. 1. С. 88-90.
-
Тарасенко Н. С. Использование нейронных сетей для колоризации изображений // Решетневские чтения: материалы XXIV Междунар. науч.-практ. конф., посвящ. памяти генерального конструктора ракетно-космических систем акад. М. Ф. Решетнева (Красноярск, 10-13 нояб. 2020 г.). Красноярск: Сиб. гос. ун-т науки и технологий им. акад. М. Ф. Решетнева, 2020. Ч. 2. С. 472-473. EDN: KYZEMA
Выпуск
Другие статьи выпуска
В работе приведена работа алгоритма для построения тематического профиля проекта. Рассмотрены ключевые модели и методы решения задачи тематического моделирования, как одной из частей работы алгоритма. Выполнена и отлажена программная реализация всех его частей, проверено качество его работы с разными параметрами для получения наилучшего результата. Для самого алгоритма описаны его преимущества, существующее место его применения и возможные перспективы развития.
В данной статье рассматривается задача построения имитационной модели обслуживания клиентов в многофункциональном центре предоставления государственных и муниципальных услуг с целью оптимизации бизнес-процессов. На основе UML-диаграмм разработана логическая схема имитационной модели. Создана 3D модель нахождения и обслуживания клиентов в многофункциональном центре. Проведены эксперименты для различных вариантов организации очереди. Выработаны предложения по оптимизации работы. В качестве инструмента реализации было использовано программное обеспечение AnyLogic.
В работе описан процесс реализации электронного учебного пособия «Дифференциальное и интегральное исчисление» с использованием конструктора электронных курсов ISpring Suite. Рассмотрено соответствие государственному стандарту информационно-коммуникационных технологий в области образования, сформирована структура и наполнение электронного учебного пособия. С помощью задачи о покрытии множества сформированы оптимальные тесты, состоящие из практических задач и покрывающие множество элементов знаний.
В работе для рассматриваемого процесса полимеризации приведены кинетическая и математическая модель. Даны математические интерпретации прямой и обратной кинетических задач. Последняя сводится к поиску значений кинетических констант элементарных стадий процесса полимеризации. Для предварительной локализации их значений и сужения допустимой области их варьирования в работе предлагается способ построения функциональной поверхности в базисном пространстве
Решается задача оптимизации значений параметров источников в нелокальных краевых условиях системы обыкновенных дифференциальных уравнений. Система состоит из большого числа подсистем ОДУ с неразделенными краевыми условиями. Получены необходимые условия оптимальности по параметрам источников. На тестовой задаче приведены результаты проведенных численных экспериментов.
В работе предлагается подход к решению задачи синтеза систем управления движением и мощностью сосредоточенных источников с оптимизацией расположения точек измерений. Для конкретности рассмотрена задача управления с обратной связью движущимися источниками тепла при нагреве стержня. Мощность и быстродействие точечных источников определяются в зависимости от состояния процессов в точках измерения. Получены формулы для градиентных составляющих целевого функционала, позволяющие численно решить задачу с использованием методов оптимизации первого порядка.
Издательство
- Издательство
- ОмГТУ
- Регион
- Россия, Омск
- Почтовый адрес
- 644050, Российская Федерация, г. Омск, пр-т Мира, д. 11
- Юр. адрес
- 644050, Российская Федерация, г. Омск, пр-т Мира, д. 11
- ФИО
- Корчагин Павел Александрович (Ректор )
- E-mail адрес
- info@omgtu.ru
- Контактный телефон
- +7 (381) 2653407
- Сайт
- https://omgtu.ru/