Derin Öğrenme Karanlık Görüntüleri Ortaya Çıkarıyor

Derin Öğrenme yöntemiyle, düşük kaliteli görüntülerde biyolojik dokuların özelliklerini aydınlatabilir. Bir şarap kadehi içindeki küçük kusurlar veya contact lenslerdeki ufak kırışıklıklar iyi ışıkta bile fark etmek zor olabilir. Neredeyse karanlıkta, bu saydam yüzeylerde nesnelerin görüntülerini deşifre etmek neredeyse imkansızdır.  MIT’deki mühendisler bu “görünmez” nesneleri karanlıkta ortaya çıkarabilecek bir teknik geliştirdiler.

Fiziksel Gözden Geçirme Edebiyatında bugün yayınlanan bir çalışmada, araştırmacılar, neredeyse zifiri siyah koşullarda çekilen bu nesnelerin görüntülerinden saydam nesneleri yeniden inşa ettiler. Bunu, belirli girdileri belirli girdilerle ilişkilendirmek için bir bilgisayar eğitimini içeren bir “derin sinir ağı”, bunu yaparken, saydam nesnelerin karanlık, grenli görüntüleri ve nesnelerin kendileriyle yaptıkları bir “derin sinir ağı” kullanarak yaptılar.

Ekip, bu modellerin son derece grenli görüntülerine dayanan 10.000’den fazla şeffaf cam benzeri tanımak için bir bilgisayar yetiştirdi. Görüntüler çok düşük ışık koşullarında çekildi, bir piksel başına yaklaşık bir fotonun olduğu bir kamera, karanlık, kapalı bir odaya kayıt olacağından çok daha az ışık aldı. Daha sonra, bilgisayara eğitim verilerinde yer almayan yeni bir grenli görüntü gösterdiler ve karanlığın gizlediği saydam nesneyi yeniden kurmayı öğrendiklerini gördüler.

Sonuçlar, derin sinir ağlarının, çok az ışıkla çekilen görüntülerde, biyolojik dokular ve hücreler gibi saydam özellikleri aydınlatmak için kullanılabileceğini göstermektedir.

MIT’de makine mühendisliği profesörü George Barbastathis, Laboratuarda, ışıkla biyolojik hücreleri parlatırsınız, onları yakarsınız ve görüntüde hiçbir şey kalmaz” diyor. “X-ışını görüntülemesi söz konusu olduğunda, bir hastayı X-ışınlarına maruz bırakırsanız, kansere yakalanma tehlikesini artırırsınız. Burada yaptığımız şey, aynı görüntü kalitesini elde edebilmeniz, ancak hastaya daha az maruz kalmanız olabilir. Ve biyolojide, onları örneklemek istediğinizde biyolojik örneklere verilen zararı azaltabilirsiniz. Barbastathis’in makaledeki yazarları, başrol yazarı Alexandre Goy, Kwabena Arthur ve Shuai Li’dir.

Derin karanlık öğrenme

Sinir ağları, beynin nöronlarının karmaşık veri girişlerini işlemek için birlikte çalışma şeklini gevşek bir şekilde taklit edecek şekilde tasarlanmış hesaplama şemalarıdır. Bir sinir ağı, matematiksel manipülasyonların ardışık “katmanlarını” yerine getirerek çalışır. Her hesaplama katmanı, bir başlangıç girdisine bağlı olarak belirli bir çıktı için olasılık hesaplar. Örneğin, bir köpeğin bir görüntüsü verildiğinde, bir sinir ağı, bir hayvanın ilkini anımsatan özellikleri, daha spesifik olarak bir köpeği ve nihayetinde bir beagle (köpek türü )tanımlayabilir. “Derin” bir sinir ağı, girdi ve çıktı arasındaki çok daha ayrıntılı hesaplama katmanlarını kapsar.

Bir araştırmacı, sadece bir köpek değil, diğer hayvanların, nesnelerin ve insanların, her bir görüntü için doğru etiketle yüzlerce veya binlerce görüntüyü besleyerek hesaplamaları daha hızlı ve daha doğru bir şekilde gerçekleştirmek için böyle bir ağı “eğitebilir”. Öğrenilecek yeterli veri verildiğinde, sinir ağı tamamen yeni görüntüleri doğru şekilde sınıflayabilmelidir.

Derin vizyonel ağlar, bilgisayar görünümü ve görüntü tanıma alanında yaygın olarak uygulanmaktadır ve son zamanlarda Barbastathis ve diğerleri, bol miktarda ışıkla çekilen görüntülerde saydam nesnelerin yeniden yapılandırılması için yapay sinir ağları geliştirmiştir. Artık ekibi, karanlıkta çekilen görüntülerde görünmez nesneleri ortaya çıkarmak için deneylerde derin sinir ağlarını ilk kullanan algoritmadır.

Barbastathis, “Görünmez nesneler farklı şekillerde açığa çıkarılabilir, ancak genellikle bol miktarda ışık kullanmanız gerekir” diyor. “Şu anda yaptığımız şey karanlıkta görünmeyen nesneleri görselleştirmek. Yani kombine iki zorluk gibi. Yine de aynı miktarda görsel açıklığı yapabiliriz.

Kaynak: https://news.mit.edu/2018/deep-learning-dark-objects-1212