선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 이 논문에서는 임의 잡음에 오염된 데이터의 정확한 판정을 위해 기계학습을 이용한 방법을 제안한다.구체적으로, 임의 잡음에 오염된 데이터의 판정을 위해 판정에 영향을 줄 것으로 예상되는 특징(feature)을 선택한 후에, 선택된 특징들이 임의 잡음에 오염된 데이터를 판정하는데 어떻게 영향을 주는지 훈련데이터를 이용하여 판정방법을 학습시킨다.
- 이 논문에서는 임의 잡음에 의해 오염된 흐트러진영상으로부터 원영상을 디블러링하는 문제를 다루었다. 제안된 방법은 잡음에 오염되지 않은 데이터를 선별하도록 기계학습의 로지스틱 회귀방법을 이용하고, 훈련 데이터는 복원하고자 하는 영상과 유사한 형태의 영상을 의도적으로 흐트러트리고 임의 잡음을 발생시켜 생성한다.
- 기존의 연구에서는 영상복원의 잡음모델로 정규 또는 포아송 잡음이 주로 사용되었다[2,3]. 이 논문에서는 잡음모델로 잡음에 의해 왜곡되기 전-후 데이터 간에 상관관계가 없는 임의 잡음(random noise)을 고려하고자 한다. 임의 잡음은 영상 데이터가 획득 또는 전송과정에서 불규칙한 진폭과 불특정한 스펙트럼을 가지고 발생한다.
- 이 논문은 임의 잡음에 의해 오염된 흐트러진 영상으로부터 원영상을 디블러링하는 문제에 관한 것이다. 이를 성공적으로 수행하기 위해서는 어떤 화소의 값이 임의 잡음에 의해 오염되었는지 정확히 판정하는 것이 중요하다고 서론에서 언급하였다.
- 지금까지 살펴본 소금-후추 잡음에 의해 오염된 흐트러진 영상으로부터 원영상을 디블러링하는 문제를 통해 얻을 수 있는 사실은 임의 잡음에 의해 오염된 데이터들을 정확히 판정할 수만 있다면 그러한 데이터들을 제거한 영상으로부터 원영상을 상당히 정확하게 디블러링할 수 있다는 것이다. 이러한 동기를 가지고, 이 논문에서는 기계학습 방법을 이용하여 임의 잡음에 오염된 데이터를 판정하는 방법을 제안하고자 한다.
- 이제 대각 점확산함수가 사용된 실험을 다루어 보도록 하자. Fig.
가설 설정
- 를 임의의 값 r∊[0,1]로 변화시킨다고 가정한다. 여기서, 주어진 영상의 가능한 화소값의 범위는 [0,1](가장 어두운 화소의 값이 0이고 가장 밝은 화소의 값이 1이다)이라고 가정하였다. 특별히, 식 (6)에서 r∊[0,1]인 경우에 해당하는 잡음을 소금-후추(salt-and-pepper) 잡음이라고 한다.
- 와 같이 화소 b에서의 관측값 (Kf)b를 임의의 값 r∊[0,1]로 변화시킨다고 가정한다. 여기서, 주어진 영상의 가능한 화소값의 범위는 [0,1](가장 어두운 화소의 값이 0이고 가장 밝은 화소의 값이 1이다)이라고 가정하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.