Говоря о ночномb видении, все думают, что отображаемое изображение будет зеленым с черным, однако это скоро изменится. Исследователи нашли способ, с помощью которого камеры могут снимать цветное изображение даже ночью, как если бы оно было сделано днем.
6 апреля журнал Plos One опубликовал американскую статью, в которой исследователи представляют открытие оптимизированного алгоритма с архитектурой a href="https://www.infobae.com/america/buscador/?query=aprendizaje%20profundo" rel="noopener noreferrer" target="_blank"ibглубокого обученияi/i, трансформировать спектр, видимый из ночной сцены, в то, как человек может видеть его днем.
Ночью люди не могут видеть цвета и контрасты из-за недостатка света, для этого им нужно осветить территорию или использовать ночные козырьки, последние дают зеленоватый образ. Решая монохромные зрители, каждый сможет увидеть и сделать фотографии, которые выглядят так, как будто это дневное время, что, среди прочего, будет большим подспорьем в тактической военной разведке.
Для этого исследователи использовали монохроматическую камеру, чувствительную к видимому и инфракрасному свету, для получения базы данных печатного изображения или изображений лиц при мультиспектральном освещении, покрывающих стандартный видимый глаз.
Впоследствии они оптимизировали сверточную нейронную сеть (U-Net) для прогнозирования изображений видимого спектра из изображений ближнего инфракрасного диапазона. Его алгоритм основан на глубоком обучении с использованием спектрального света.
Чтобы изучить спектральный спектр отражения голубых, пурпурных и желтых чернил, они напечатали цветовую палитру Rainboy для записи длин волн. Затем они напечатали несколько изображений и поместили их под многоспектральное освещение с помощью монохроматической камеры (черно-белой), установленной на рассекающем микроскопе, сфокусированном на изображении.
В общей сложности они напечатали библиотеку из более чем 200 человеческих лиц, доступных в публикации «Lableed Faces in the Wild», с помощью принтера Canon и краски MCYK. Изображения размещались под разными длинами волн, а затем использовались в обучении машинному обучению, сосредоточенному на прогнозировании цветных (RGB) изображений из освещенных изображений с одной или комбинированной длиной волны.
Для всех экспериментов они следовали практической модели машинного обучения: они разделили базу данных на 3 части, оставив 140 изображений для обучения, 40 для проверки и 20 для тестирования. Чтобы сравнить производительность различных моделей, они оценили несколько метрик для реконструкции изображения.
Исследователи отметили, что это исследование служит шагом для прогнозирования сцен в видимом спектре человека при незаметном ближнем инфракрасном освещении.
Они заявили, что «это предполагает, что прогнозирование изображений с высоким разрешением больше зависит от контекста обучения [машины], чем от спектроскопических сигнатур каждой краски», и что эта работа должна стать шагом для видеороликов ночного видения, от которых будет зависеть количество кадров, обрабатываемых в секунду.
ПРОДОЛЖАЙТЕ ЧИТАТЬ: