تجزيه تحليل فراتفكيك پذيري (سوپر رزولوشن) دقيق تصوير بر اساس رويكرد يادگيري عميق

اخيرا توجه زيادي به شبكه هاي عصبي كانولوشن (همجوشي) شده كه آن را به متغيري اجتناب پذير براي جامعه سوپر رزولوشن (فراتفكيك پذيري يا وضوح فوق العاده) جهت كشف پتانسيل آن تبديل نموده است. مطالعه پيش رو به منظور ارائه روش يادگيري عميق براي سوپر رزولوشن يك تصوير واحد انجام شده است. اين مطالعه به بررسي ادبيات سوپر رزولوشن در زمينه يادگيري عميق پرداخته و بر جنبه هاي حائز اهميت چندرسانه اي ها مانند عكس، ويدئو و چند بعدي ها به خصوص نقشه هاي عمق تمركز نموده است. روش مورد استفاده در اين تحقيق بطور مستقيم به فراگيري ترسيم پايان به پايان ميان عكسهاي با رزولوشن (وضوح) بالا و پايين مي پردازد. علاوه بر اين، اين مطالعه نشان مي دهد كه روش هاي مبتني بر برنامه ريزي پراكنده و ضعيف سنتي نيز مي تواند به عنوان يك شبكه كانولوشن عميق مورد استفاده قرار گيرد. با اين وجود، بر خلاف اينكه روش هاي سنتي هر كدام از مولفه ها را بطور جداگانه بكار مي برند اما روش مورد استفاده در اين مطالعه به بهينه سازي تمامي لايه ها مي پردازد. اين مطالعه به بررسي ساختارهاي شبكه اي مختلف و تنظيمات پارامتري پرداخته تا به ارتباط ميان عملكرد و سرعت پي ببرد. همچنين، اين مطالعه به توسعه و گسترش شبكه جهت رويارويي با كانال هاي سه رنگ و كيفيت بهتر بازسازي سايه بطور همزمان پرداخته است. علاوه بر اين، هدف اين مطالعه ارائه يك روش سوپر رزولوشن تك تصويري بسيار دقيق مي باشد. اين روش از يك شبكه كنولوشن بسيار عميق كه تحت تاثير شبكه VGG قرار دارد براي طبق بندي خالص تصاوير استفاده نموده است. اين تحقيق تنها به فراگيري باقيمانده ها پرداخته و نرخ هاي يادگيري بي نهايت بالايي (104 آيتم بالاتر از SRCNN) را مورد استفاده قرار داده است كه توسط قطع گراديان قابل تنظيم فعال شده است. روش پيشنهادي، عملكرد بهتري نسبت به روش هاي موجود از نظر دقت و پيشرفت هاي بصري داشته كه ميتوان اين نكته را در نتياج حاصل از مطالعه مشاهده نمود.