【인공위성】 Super Resolution 저해상도 이미지를 고해상도 이미지로, 마치 닥터 스트레인지 봅시다

한 Super-Resolution on Satellite Imagery using Deep Learning, Part하나로-Patrick Hagertyhttps://medium.com/the-downlinq/super-resolution-on-satellite-imagery-using-deep-learning-part-하나-ec5c5cd3cd22.Deep Learning for Super-Resolution:A survey(하나)http://jaejunyoo.blogspot.com/20하나 9/05/deep-learning-for-SISR-survey-하나.html3.Code for SRhttps://github.com/IncyLiu/video-super-resolution4. 논문 관련 abstract&codehttp://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html​상의 글과 위키 등을 종합하고 작성한 것입니다.

>

먼저 Super Resolution이란 낮은 해상도 이미지를 고해상도로 복원하는 문제입니다(마치 닥터 스트레인지). 예로부터 다양한 기법으로 연구되어 왔다. 최근에는 Deep Learning의 발전으로 Super Resolution도 발전하게 되었다. 이 글에서는 다양한 분야에서 사용되는 기법인데, 인공위성은 인공위성이었다 인공위성의 이미지에서 어느 것이 사람인지, 무엇이 건물인지와 함께 오브젝트 검출 Objective Detection을 활용한 관련 비즈니스, 연구가 많이 이루어지고 있다. 이때 당연히 이미지 해상도가 높아야 객체 검출도 잘 된다. 그 때문에, Super Resolution이 필요하다.

여기에서는, DNN[일]과 이미지적으로 대동소이한 지리적 특성을 강화하고, 특성을 추출하는 것을 주된 특성으로 한다. 그저 이미지 처리 수법에는 노이즈의 감소, 색의 조정등이 있다. 그러나 공통적으로 사용하는 부분은 Ground Sampling Distance(GSD)[2]이다. Super-resolution은 지리학적 이미지에서 딥러닝 구조를 형성하는 방법은 배울 것이다. 여기에는 다양한 비결이 존재한다. 도 했다 이를 평가하려면 Peak Signal-to-Noise Ratio(PSNR)[3]와 Structure Similarity INdex(SSIM)[4]이 존재하지만 비쌀수록 더 좋은 모델이다.Deep Neural Network 심층신경망 : 층을 깊게 쌓은 신경망과 소견해 최근까지는 층을 많이 쌓으면 오버피팅이 가능했으나 Dropout 기술로 어느 정도 가능해졌다.[2]Ground Sampling Distance:지역 표본 거리에서 각 화소가 나타내는 X, Y지역의 거리를 뜻하는[3]Peak Signal-to-Noise Ratio(PSNR):주로 영상 또는 동영상의 비가역 압축에서 화질 손실 정보를 평가하는 데 사용된다. 이미지의 품질손실된 이미지는 PSNR이 아침이다.(참고)최대 싱 호데쟈프 소음 비 내리고 이미지 품질-https://bskyvision.com/392

(참고)2D다시 것이 품질 평가에 구조 뵤은쵸은 루루 반영하는 SSIM https://bskyvision.com/396

Dong, C.Loy, C.C.He, K.&Tang, X.(2015). Image super-resolution using deep convolutional networks. IEEE transactions on pattern analysis and machine intelligence, 38(2)295-307. 처음 deep learning을 SR문제에 적용한 논문에서 1700여건의 인용이 이루어진 만큼 이를 기반으로 연구가 많이 열리는 것. ​ 쉽게 보면 SR을 위한 CNN[1]기술했던 구조는 간단하다. 아래와 같이 3개의 층을 사용하고 loss function에서는 mse를 사용합니다.​

>

1.Patch extraction and representiation:저 해상도 기이지로부터 patch추출-원래 CNN의 feature extraction기능 수행 2.Non-linear mapping:다차원 patch벡터를 다른 다차원 patch벡터에서 mapping 3.Reconstruction:다차원 patch벡터에서 최종 고해상도 기여하고 있는 발발 ​ 위의 3 layer를 거쳤다. 각자의 레이저를 보자. 첫번째에 사용되는 Patch extraction and representaion은 기본적인 convolution연산과 relu

>

​[1]CNN:Convolution+Relu>특징하고 원본 리드하는 것의 patch를 벡터화하여 같은 배열을 만들고 max pooling을 통해서 가장 큰 특징을 택하기를 반복 https://blog.naver.com/sicker01/221509234849참고[2]Relu(Rectified Linear Unit):0,1사이의 값으로 변환한 activation function의 sigmoid방법의 단점을 보완한 0부터 무한까지 변환