Мы почти получили полноцветное ночное видение для работы

Ученые в Университете Калифорнии, Ирвине, экспериментировали с реконструированными сценами ночного видения в цвете с использованием алгоритма глубокого обучения. Алгоритм использует инфракрасные изображения невидимые невооруженным глазом; Люди могут видеть только легкие волны от около 400 нанометров (что мы видим как фиолетовые) до 700 нанометров (красных), а инфракрасные устройства могут видеть до одного миллиметра. Таким образом, инфракрасный показатель является существенным компонентом технологии ночного видения, поскольку она позволяет людям «видеть», что мы обычно воспринимаем как общая темнота.

Хотя термическая визуализация ранее использовалась для цветных сцен, захваченных в инфракрасном порядке, он не идеален. Термальная визуализация использует технику, называемую псевдоколью на «карту» каждый оттенок из монохроматического масштаба в цвет, что приводит к полезному, но очень нереальному образу. Это не решает проблему идентификации объектов и частных лиц в условиях низкого или без освещения.

Ученые в UC IRVINE, с другой стороны, стремились создать решение, которое позволило бы произвести изображение, похожее на то, что человек увидит в видимом свете спектра. Они использовали монохроматическую камеру, чувствительную к видимую и почти инфракрасному свету, чтобы захватить фотографии цветных палитры и лица. Затем они обучали сверточную нейронную сеть, чтобы предсказать видимые изображения спектра, используя только прилагаемые близко инфракрасные изображения. Процесс обучения привел к трем архитектурам: базовая линейная регрессия, U-NET, вдохновленная CNN (UNET) и дополненная U-Net (Unet-Gan), каждый из которых смогли произвести около трех изображений в секунду.

После того, как нейронная сеть произвела изображения в цвете, команда - состоит из инженеров, зрение ученых, хирургов, компьютерных ученых и докторских учеников, предоставила изображениям к классам, которые выбирали, какие выходы субъективно появлялись наиболее похожи на изображенное изображение. Эта обратная связь помогла команде выбирать, какая нейронная сетевая архитектура была наиболее эффективной, причем unet превосходит unet-gan, кроме как в увеличенных условиях.

Команда на UC Irvine опубликовала свои выводы в журнале Plos One в среду. Они надеются, что их технологии могут быть применены в безопасности, военных действиях и наблюдениях на животных, хотя их опыт также говорит им, что может быть применимо для снижения ущерба зрения зрения во время операций по глаз.

Читать далее

Почему чип M1 от Apple угрожает Intel и AMD

Собственная история Intel подсказывает это, и AMD должна очень серьезно отнестись к новой SoC M1 от Apple.

Как работают кэши ЦП L1 и L2 и почему они являются неотъемлемой частью современных микросхем

Вам когда-нибудь было любопытно, как работает кеш L1 и L2? Мы рады, что вы спросили. Здесь мы глубоко погружаемся в структуру и природу одного из самых фундаментальных проектов и инноваций вычислительной техники.

Hyundai покупает Boston Dynamics почти за 1 миллиард долларов

Компания только начала продавать свой первый продукт - четвероногого робота Spot. Владелец SoftBank, по-видимому, считает, что это лучшее время для разгрузки компании, которую он приобрел у Google в 2017 году. Теперь Hyundai Motor Company намерена приобрести Boston Dynamics за 921 миллион долларов.

Почему вы не можете защитить свой игровой компьютер от будущего

Пытаться подготовить систему к будущему - глупое занятие. Планируйте покупки с умом, но не платите надбавку за функции, которые пока не можете использовать.