Ми майже отримали повнокольорову нічне бачення для роботи

Ми майже отримали повнокольорову нічне бачення для роботи

Вчені в Каліфорнійському університеті, Ірвін, експериментували з реконструкції нічних базових сцен у кольорі, використовуючи алгоритм глибокого навчання. Алгоритм використовує інфрачервоні зображення невидимими неозброєним оком; Люди можуть бачити лише легкі хвилі від приблизно 400 нанометрів (що ми бачимо, як фіолетовий) до 700 нанометрів (червоний), тоді як інфрачервоні пристрої можуть бачити до одного міліметра. Таким чином, інфрачервоний зв'язок є важливою складовою технології нічного бачення, оскільки це дозволяє людям "бачити" те, що ми зазвичай сприймаємо як загальну темряву.

Хоча термічна візуалізація раніше використовувалася для кольорових сцен, захоплених в інфрачервоному режимі, він також не ідеальний. Термічна візуалізація використовує техніку, що називається PSEUDOCOLOR для "MAP" кожен відтінок від монохроматичного масштабу в колір, що призводить до корисного, але дуже нереалістичного зображення. Це не вирішує проблему ідентифікації об'єктів та окремих людей у ​​умовах низької або без особливостей.

Ми майже отримали повнокольорову нічне бачення для роботи

Вчені в UC Irvine, з іншого боку, прагнули створити рішення, яке б вироблятиме зображення, подібне до того, що людина побачить у видимому світлі спектра. Вони використовували монохроматичну камеру чутливі до видимого та ближнього інфрачервоного світла, щоб захопити фотографії кольорових палітр та обличчя. Потім вони навчали конволюційну нейронну мережу, щоб передбачити видимі зображення спектру, використовуючи лише постійні інфрачервоні зображення. Навчальний процес призвів до трьох архітектур: базової лінії лінійної регресії, U-NET, натхненний CNN (UNET), а також збільшена U-NET (UNET-GAN), кожен з яких був здатний виробляти близько трьох зображень на секунду.

Після того, як нейронна мережа виробляла зображення в кольорі, команда, що складається з інженерів, бачення вчених, хірургів, комп'ютерних вчених та докторських студентів - за умови, що зображення гратяни, які вибрали, які виходи суб'єктивно з'явилися найбільш схожі на зображення землі. Цей відгук допомагав команді вибрати, яка архітектура Neural Network була найбільш ефективною, з Unet перевершує UNET-GAN, за винятком збільшення умов.

Команда в UC Irvine опублікувала свої висновки в журналі Plos один у середу. Вони сподіваються, що їхня технологія може бути застосована в безпеці, військових операціях та спостереження за тваринами, хоча їхня експертиза також говорить їм, що вона може бути застосована до зменшення пошкодження зору під час хірургічних операцій.

Читати далі

Раджа Кодурі від Intel представить на майбутній конференції Samsung Foundry
Раджа Кодурі від Intel представить на майбутній конференції Samsung Foundry

Цього тижня Раджа Кодурі від Intel виступить на ливарному заході Samsung - і це не те, що сталося б, якби Intel не мала чого сказати.

Як стати майстром диспетчера завдань, за словами хлопця, який це написав
Як стати майстром диспетчера завдань, за словами хлопця, який це написав

Автор оригінального диспетчера завдань Windows має кілька порад щодо того, як використовувати його ефективніше, у тому числі кілька, про які ми ніколи не чули, - і один, який ми підкинули собі, якщо у вас є проблеми з тим, що диспетчер завдань застряг за повноекранними вікрами.

Hyundai купує Boston Dynamics майже за 1 мільярд доларів
Hyundai купує Boston Dynamics майже за 1 мільярд доларів

Компанія щойно розпочала продаж свого першого продукту - чотириного робота Spot. Власник SoftBank, мабуть, вважає, що це найкращий час для розвантаження компанії, яку вона придбала у Google у 2017 році. Зараз Hyundai Motor Company має придбати Boston Dynamics за 921 мільйон доларів.

Seagate представляє власні ядра RISC-V для майбутніх контролерів зберігання
Seagate представляє власні ядра RISC-V для майбутніх контролерів зберігання

Щоб досягти своєї мети в 50 ТБ на диск протягом наступних кількох років, Seagate вирішила, що потрібен спеціальний контролер зберігання. RISC-V запропонував рішення.