Weryfikacja autentyczności kolorów na zdjęciach wykonanych w technice analogowej - Publication - Bridge of Knowledge

Search

Weryfikacja autentyczności kolorów na zdjęciach wykonanych w technice analogowej

Abstract

W artykule opisano zagadnienie odróżniania historycznych fotografii pomiędzy oryginalnie kolorowe a koloryzowane. Rozważono problem doboru zdjęć pod względem technologii, w jakiej zostały wykonane. Następnie wykorzystując sieci neuronowe już w części wyuczone na innych zbiorach danych, sprawdzono ich efektywność w rozwiązywaniu badanego problemu. Rozważono wpływ rozmiaru obrazu podanego na wejściu, architektury zastosowanej sieci, a także zestawu danych użytego do uczenia sieci i wyodrębniania cech. W rezultacie potwierdzono przydatność opracowanego zbioru do treningu sieci, a także zaobserwowano, że zwiększanie rozmiaru sieci nie przynosi dodatkowych korzyści. Uzyskana trafność rozróżniania sięgnęła ponad 92 %.

Citations

  • 0

    CrossRef

  • 0

    Web of Science

  • 0

    Scopus

Cite as

Full text

download paper
downloaded 93 times
Publication version
Accepted or Published Version
License
Creative Commons: CC-BY-NC-ND open in new tab

Keywords

Details

Category:
Articles
Type:
artykuły w czasopismach
Published in:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej pages 45 - 48,
ISSN: 1425-5766
Language:
Polish
Publication year:
2019
Bibliographic description:
Sokołowski P.: Weryfikacja autentyczności kolorów na zdjęciach wykonanych w technice analogowej// Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej -,nr. 68 (2019), s.45-48
DOI:
Digital Object Identifier (open in new tab) 10.32016/1.68.09
Bibliography: test
  1. O. Russakovsky i in., "ImageNet Large Scale Visual Recognition Challenge", Int. J. Comput. Vis., t. 115, nr 3, ss. 211-252, 2015. open in new tab
  2. G. Van Horn i in., "The iNaturalist Species Classification and Detection Dataset -Supplementary Material", Comput. Vis. Found., nr July, ss. 4-6, 2017.
  3. S. Maji, E. Rahtu, J. Kannala, M. Blaschko, i A. Vedaldi, "Fine-Grained Visual Classification of Aircraft", 2013.
  4. T. Gebru, J. Krause, Y. Wang, D. Chen, J. Deng, i F. F. Li, "Fine-grained car detection for visual census estimation", 31st AAAI Conf. Artif. Intell. AAAI 2017, ss. 4502-4508, 2017.
  5. J. Krause, M. Stark, J. Deng, i L. Fei-Fei, "3D object representations for fine-grained categorization", w Proceedings of the IEEE International Conference on Computer Vision, 2013, ss. 554-561. open in new tab
  6. L. Yang, P. Luo, C. C. Loy, i X. Tang, "A large-scale car dataset for fine-grained categorization and verification", w Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2015, t. 07-12-June, ss. 3973-3981. open in new tab
  7. M. Domański, Obraz cyfrowy: reprezentacja, kompresja, podstawy przetwarzania: standardy JPEG i MPEG. Wydawnictwa Komunikacji i Ł{\k{a}}czności, 2010.
  8. P. Tångeberg, "The use of colours on the seventeenth century royal warship Vasa", Endeavour, t. 24, nr 4. ss. 147-151, 2000. open in new tab
  9. C.-A. Francois-Franck, "Colour microphotography with autochrome plates by MM. A. et L. Lumiere.", COMPTES RENDUS Hebd. DES SEANCES L Acad. DES Sci., t. 144, ss. 1340-1342, 1907. open in new tab
  10. L. D. Mannes i L. Godowsky, "The Kodachrome Process for Amateur Cinematography in Natural Colors", J. Soc. Motion Pict. Eng., 1935. open in new tab
  11. M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, i L. C. Chen, "MobileNetV2: Inverted Residuals and Linear Bottlenecks", w Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2018, ss. 4510-4520. open in new tab
  12. K. He, X. Zhang, S. Ren, i J. Sun, "Identity mappings in deep residual networks", w Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2016, t. 9908 LNCS, ss. 630-645. open in new tab
  13. C. Szegedy, V. Vanhoucke, S. Ioffe, i J. Shlens, "Rethinking the Inception Architecture for Computer Vision". open in new tab
  14. J. Donahue i in., "DeCAF: A Deep Convolutional Activation Feature for Generic Visual Recognition".
Verified by:
Gdańsk University of Technology

seen 153 times

Recommended for you

Meta Tags