PHƯƠNG PHÁP DỰA TRÊN HỌC SÂU TRONG PHÂN LOẠI HÌNH ẢNH MỜ SỬ DỤNG KIẾN TRÚC DENSENET-121=A DEEP LEARNING-BASED METHOD FOR BLUR IMAGE CLASSIFICATION USING DENSENET-121 ARCHITECTURE

0 Người đánh giá. Xếp hạng trung bình 0

Tác giả: Thị Hiền Hà, Văn Nhu Lê, Hữu Hùng Nguyễn, Quang Thi Nguyễn

Ngôn ngữ: vie

Ký hiệu phân loại:

Thông tin xuất bản: Tạp chí Khoa học và Công nghệ - Đại học Thái Nguyên, 2024

Mô tả vật lý: tr.112 - 120

Bộ sưu tập: Metadata

ID: 485602

Thêm vào giỏ

Blur image classification is essential for computer vision applications, including image quality assessment, surveillance and medical imaging systems. This study proposes a method to classify different types of blur: sharp, Gaussian blur, motion blur, and defocus blur, using the DenseNet-121 architecture. The approach leverages densely connected convolutional layers of DenseNet-121 for efficient, multi-scale feature extraction critical for distinguishing blur types. Data augmentation was applied to create diverse blur patterns, and the model was fine-tuned on a specialized dataset for robust performance. Transition layers and a global average pooling layer with a softmax classifier were incorporated to optimize feature management and output class probabilities. Experiments demonstrated that this method achieves a high accuracy rate of 97.8%, outperforming baseline models in blur classification. Overall, the DenseNet-121-based approach significantly enhanced classification accuracy and provides a scalable, effective solution for real-world image processing tasks that required precise blur detection.Phân loại ảnh mờ đóng vai trò quan trọng trong các ứng dụng thị giác máy tính, bao gồm các hệ thống đánh giá chất lượng hình ảnh, giám sát và hình ảnh y tế. Nghiên cứu này đề xuất một phương pháp để phân loại các loại mờ khác nhau: ảnh sắc nét, mờ Gaussian, mờ chuyển động và mờ do mất nét, bằng cách sử dụng kiến trúc DenseNet-121. Phương pháp này khai thác các lớp tích chập kết nối dày đặc của DenseNet-121 để trích xuất đặc trưng nhiều mức một cách hiệu quả, điều này rất quan trọng cho việc phân biệt các loại mờ. Kỹ thuật tăng cường dữ liệu cũng được áp dụng để tạo ra các mẫu mờ đa dạng, và mô hình được tinh chỉnh trên một tập dữ liệu chuyên biệt để đảm bảo đạt hiệu suất cao. Các lớp chuyển tiếp và lớp global average pooling với bộ phân lớp softmax được tích hợp để tối ưu hóa quản lý đặc trưng và đưa ra xác suất phân lớp. Thực nghiệm cho thấy phương pháp này đạt độ chính xác cao (97,8%), tốt hơn so với các mô hình cơ bản khác trong phân loại ảnh mờ. Nhìn chung, phương pháp dựa trên DenseNet-121 này cải thiện đáng kể độ chính xác phân loại và cung cấp một giải pháp hiệu quả, có khả năng mở rộng cho các tác vụ xử lý ảnh yêu cầu nhận diện mờ chính xác.

1. Đọc trực tuyến

1. Đọc trực tuyến

Tạo bộ sưu tập với mã QR