CNN for license plate motion deblurring
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F16%3APU122835" target="_blank" >RIV/00216305:26230/16:PU122835 - isvavai.cz</a>
Výsledek na webu
<a href="http://ieeexplore.ieee.org/document/7533077/" target="_blank" >http://ieeexplore.ieee.org/document/7533077/</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/ICIP.2016.7533077" target="_blank" >10.1109/ICIP.2016.7533077</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
CNN for license plate motion deblurring
Popis výsledku v původním jazyce
In this work we explore the previously proposed approach of direct blind deconvolution and denoising with convolutional neural networks (CNN) in a situation where the blur kernels are partially constrained. We focus on blurred images from a real-life traffic surveillance system, on which we, for the first time, demonstrate that neural networks trained on artificial data provide superior reconstruction quality on real images compared to traditional blind deconvolution methods. The training data is easy to obtain by blurring sharp photos from a target system with a very rough approximation of the expected blur kernels, thereby allowing custom CNNs to be trained for a specific application (image content and blur range). Additionally, we evaluate the behavior and limits of the CNNs with respect to blur direction range and length.
Název v anglickém jazyce
CNN for license plate motion deblurring
Popis výsledku anglicky
In this work we explore the previously proposed approach of direct blind deconvolution and denoising with convolutional neural networks (CNN) in a situation where the blur kernels are partially constrained. We focus on blurred images from a real-life traffic surveillance system, on which we, for the first time, demonstrate that neural networks trained on artificial data provide superior reconstruction quality on real images compared to traditional blind deconvolution methods. The training data is easy to obtain by blurring sharp photos from a target system with a very rough approximation of the expected blur kernels, thereby allowing custom CNNs to be trained for a specific application (image content and blur range). Additionally, we evaluate the behavior and limits of the CNNs with respect to blur direction range and length.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/7H14002" target="_blank" >7H14002: ALMARVI - Algorithms, Design Methods, and Many-Core Execution Platform for Low-Power Massive Data-Rate Video and Image Processing</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2016
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
IEEE International Conference on Image Processing (ICIP)
ISBN
978-1-4673-9961-6
ISSN
—
e-ISSN
—
Počet stran výsledku
4
Strana od-do
3832-3836
Název nakladatele
IEEE Signal Processing Society
Místo vydání
Phoenix
Místo konání akce
Phoenix
Datum konání akce
25. 9. 2016
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000390782003167