پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 620 |
| تعداد مقالات | 9,096 |
| تعداد مشاهده مقاله | 67,283,747 |
| تعداد دریافت فایل اصل مقاله | 7,786,884 |
ترجمه تصویر حرارتی به نور مرئی با استفاده از شبکه‌های مولد تخاصمی | ||
| مدل سازی در مهندسی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 16 دی 1403 اصل مقاله (1000.73 K) | ||
| نوع مقاله: مقاله کامپیوتر | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2024.34522.2685 | ||
| نویسندگان | ||
| نسترن ملک پور؛ محمدجواد فدائی اسلام* | ||
| دانشگاه سمنان | ||
| تاریخ دریافت: 01 تیر 1403، تاریخ بازنگری: 14 مهر 1403، تاریخ پذیرش: 22 آبان 1403 | ||
| چکیده | ||
| سیستم‌های تصویربرداری حرارتی، با توجه به ویژگی‌های منحصربهفرد خود، مانند توانایی ثبت تصاویر در شرایط آبوهوای مختلف، ثبت تصاویر در شب و یا دارا بودن خاصیت ضدجعل، کاربرد‌های نظامی، امنیتی و قضایی ویژه‌ای دارند. با این حال، تصاویر ثبتشده توسط دوربین‌های حرارتی، با استفاده از چشم انسان قابلتشخیص نبوده و شناسایی چهره تصاویر حرارتی، برای انسان بسیار سخت است. تبدیل تصاویر حرارتی به تصاویر نور مرئی، در حوزه انتقال محتوای تصویر یا ترجمه تصویر به تصویر قرار دارد. تاکنون، مدل‌های یادگیری عمیق بسیاری برای تبدیل تصاویر حرارتی به نور مرئی معرفی شده‌اند. از بین این مدل‌ها، شبکه‌های مولد تخاصمی توانسته‌اند به پیشرفت قابلتوجهی در این زمینه دست پیدا کنند. در این مقاله، سعی شد تا شبکه ClawGAN که به‌طور خاص برای تبدیل تصاویر حرارتی به نور مرئی ارائه شده‌است، بهبود داده‌شود. راهکار ما بر پایه‌ی ادغام تکنیک‌های موثر نظیر Unet++، Unet3+، شبکه خودتوجه در مولد معماری پایه است. بدینصورت، شبکه قادر خواهد بود تا در زمان انتقال محتوا از دامنه حرارتی به دامنه‌ی نور مرئی، تصاویر با کیفیت بالاتری را تولید کند که قابلتشخیص از طریق چشم انسان بوده و دارای کمترین اعوجاج، تاری و نویز باشند. نتایج بدستآمده نشان داد که مولد پیشنهادی توانست باعث بهبود قابلتوجه معیارهای ارزیابی مانند MSE، PSNR، RMSE، UQI و PSNR-B شود. | ||
| کلیدواژه‌ها | ||
| ترجمه تصویر به تصویر؛ تصاویر حرارتی؛ تصاویر نور مرئی؛ شبکه‌های مولد تخاصمی؛ شبکه خودتوجه | ||
| عنوان مقاله [English] | ||
| Facial Thermal Image Translation to RGB Visible Light using GAN | ||
| نویسندگان [English] | ||
| Nastaran Malekpoor؛ Mohammad Javad Fadaeieslam | ||
| Semnan University | ||
| چکیده [English] | ||
| Thermal imaging systems, due to their unique features, such as the ability to record images in different weather conditions, recording images at night, or having anti-counterfeiting properties, have special military, security and judicial applications. However, the images recorded by thermal cameras cannot be recognized by the human eye, and it is very difficult for humans to recognize the faces of thermal images. Converting thermal images to visible light images is in the field of image-to-image content transfer or image to image translation. So far, many deep learning models have been introduced to convert thermal images into visible light. Among these models, adversarial networks have been able to achieve significant progress in this field. In this paper, an attempt was made to improve the ClawGAN network, which is specifically designed to convert thermal images into visible light. Our method is based on the integration of effective techniques such as Unet++, Unet3+, self-attention network in the generator of the base model. In this way, the network will be able to produce higher quality images that can be recognized by the human eye and have minimal distortion, blur and noise when transferring content from the thermal domain to the visible light domain. The obtained results showed that the proposed generator was able to significantly improve the evaluation criteria such as MSE, PSNR, RMSE, UQI and PSNR-B | ||
| کلیدواژه‌ها [English] | ||
| Image-to-image translation, Thermal image, RGB visible light image, Generative Adversarial Network, Self attention | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 42 تعداد دریافت فایل اصل مقاله: 77 |
||