New methods for recognizing blurred images

Abstract

Rozmazání patří mezi nejčastější degradace vznikající při pořizování digitálních obrazů. Pro účely strojového vidění, rozmazání významně snižuje rozpoznávací shopnosti a přes- nost klasifikace. Klasické metody se s rozmazáním typicky vypořádávají trojím způ- sobem - rekonstrukcí, invariantním popisem obrazu nebo invariantní metrikou. Hluboké učení řeší problém kvality vstupních dat povětšinou rozšířením trénovací množiny. Tato práce pokrývá tři ze čtyř zmíněných oblastí - rozšiřuje a zobecňuje momentové invarianty, představuje novou metriku invariantní vůči rozmazání a navrhuje novu architekturu neu- ronových sítí, která je invariantní vzhledem k různým degradacím a eliminuje nutnost expandovat trénovací množinu. 1

Blur is among the most common degradations encountered in image acquisition. In computer vision tasks, it greatly reduces the success rate of any recognition method. In the handcrafted methods space blur is mostly handled by restoration - via deblurring, blur-invariant descriptors or blur invariant distances. In deep learning, degradations are almost exclusively dealt with by augmenting the training dataset. This doctoral Thesis covers three out of the four areas - it expands and generalize moment-based blur invariants, introduces new blur invariant measure and proposes a novel convolutional network architecture which is invariant to degradations alleviating the need for dataset augmentation. 1