Сүзу үшін residial-архитектурасы бар нейрондық желілерді қолдану импульстік Шу кескіндер

   Нейрондық желілер-бұл деректердің үстіндегі қабаттар тізбегі. Оқу процесінде схеманың әр қабаты қажетті нәтижеге жету үшін қажетті коэффициенттерді "таңдайды". Оқыту әдісі қатені кері тарату әдісі деп аталады. Қазіргі уақытта кескінді өңдеу деректерді өңдеудің ең жылдам дамып келе жатқан бағыттарының бірі болып табылады. Байланыс арналары арқылы деректерді түсіру және беру процедурасы кезінде кескін деректері шуға ұшырайды. Сигнал үшін қол жетімді ең қолайлы әдіс қолданылады. Бұл тәсіл сүзгінің сапасын едәуір жақсартуға мүмкіндік береді, бірақ сүзгіні анықтау және таңдау үшін қосымша есептеулер қажет. Жыл сайын кескін деректерінің көлемі артып келеді. Осылайша, суреттерден шуды жою міндеті барған сайын өзекті бола түсуде. Жақында шуды сүзу мәселесін шешу үшін нейрондық желілер танымал бола бастады. Нейрондық желілердің күрделі архитектураларын оқыту үшін қосымша блоктар қолданылады.

1. D. Brownrigg. “The weighted median filter,” Commun. Assoc. Comput. Mach., vol. 27, pp. 807-818, Mar. 1984.

2. S. J. Ko and Y. H. Lee, “Center weighted median filters and their applications to image enhancement,” IEEE Trans. Circuits Syst., vol. 38, pp. 984-993, 1991.

3. Bellanger M. G. Adaptive digital filters. 2nd ed. Marcel Dekker, 2001.

4. Haykin S. Adaptive filter theory. 4th ed. Prentice Hall, 2001.

5. Sayed A. H. Fundamentals of adaptive filtering. John Wiley and Sons, 2003.

6. Adaptive signal processing: applications to real-world problems.J. Benesty, Y. Huang, Eds. Springer, 2003.

7. Poularikas A. D., Ramadan Z. M. Adaptive filtering premier with MATLAB. CRC Press, 2006.

8. Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising Kai Zhang, Wangmeng Zuo, Senior Member, IEEE, Yunjin Chen, Deyu Meng, Member, IEEE, and Lei Zhang Senior Member, IEEE.

9. Harold C. Burger, Christian J. Schuler, «Image denoising: Can plain Neural Networks compete with BM3D», IEEE International Conference on Computer Vision and Pattern Recognition 2012.

10. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift Sergey Ioffe, Christian Szegedy (Submitted on 11 Feb 2015 (v1), last revised 2 Mar 2015 (this version, v3)).

11. K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 770-778.