Харьков
Харьков
Нейросети представляют собой цепочки слоев над данными. В ходе процесса обучения каждый слой из цепочки «подбирает» необходимые коэффициенты для достижения необходимого результата. Метод обучения называют методом обратного распространения ошибки. На текущий момент обработка изображений – одна из наиболее быстро развивающихся областей обработки данных. Данные изображений подвергаются воздействию шумов на протяжении процедуры захвата и передачи данных по каналам связи. К сигналу применяется наиболее подходящий метод из имеющихся. Такой подход позволяет существенно повысить качество работы фильтра, но требует дополнительных вычислений для проведения детектирования и выбора фильтра. С каждым годом объем данных изображений увеличивается. Таким образом, задача удаления шумов с изображений становится все более актуальной. В последнее время набирают популярность нейросетевые подходы к решению задачи фильтрации шумов. Для обучения сложных архитектур нейросетей используют дополнительные блоки, существенно влияющие на показатели производительности. В данной работе предложена архитектура нейросети с residual-блоками, позволяющая осуществить фильтрацию с высокими показателями качества и времени.
Currently, image processing is one of the fastest growing data processing area. Image data becomes corrupted by noise during the capture and transmission of data over communication channels. Every year data size of the images grows up. Thus, removing noise from images is increasingly relevant task. Recently, neural network approaches of solving this problem become more popular. Additional blocks are used for training deep neural networks, that significantly affects the performance. This paper proposes a neural network architecture with residual blocks that allows filtering with high quality and performance.
The authors declare that there are no conflicts of interest present.