Solving the problem of super-resolution using a model of a neural network of direct propagation

Cover Page

Cite item

Full Text

Abstract

The problem of increasing the efficiency of control of moving objects using new algorithms that improve the quality of images obtained during the survey of space is considered and solved. A significant improvement in quality is based on the achievement of angular resolution, tens of times higher than the Rayleigh criterion. Angular super-resolution provides separate observation of several objects that are not resolved by direct observation, and the accompanying increase in image clarity makes it possible to capture previously unnoticed details of images of complex objects. On this basis, the probability of correct solutions to recognition and identification problems increases. To provide angular super-resolution, the problem of creating a neural network has been solved. For multi-element receiving and transmitting measurement systems, an extrapolation method for achieving angular super-resolution is proposed and justified. The basis of the method is the extrapolation of the values of the complex amplitudes of the received signal by individual elements of the receiving devices outside the measuring system. Thus, a larger virtual system is created, for which its own Rayleigh criterion is fulfilled. As a result, the effective angular resolution increases in proportion to the increase in the size of the virtual system. Comparative results of mathematical modeling of the neural network and other extrapolation methods are investigated and presented, the limits of applicability of the method are determined.

About the authors

Boris Andreevich Lagovsky

Russian Technological University

Email: robertlag@yandex.ru
Moscow

Evgeny Yakovlevich Rubinovich

V.A. Trapeznikov Institute of Control Sciences of RAS

Email: rubinvch@gmail.com
Moscow

Ivan Aleksandrovich Yurchenkov

Russian Technological University

Email: yurchenkov@mirea.ru
Moscow

References

  1. АРСЕНИН В.Я., ТИХОНОВ А.Н. Методы решения некор-ректных задач. – М.: Наука. –1974.
  2. АХТЕРОВ А.В., КИРИЛЬЧЕНКО А.А. Основы теоретиче-ской робототехники. Искусственные нейронные сети. (Об-зор) // Препринты Института прикладной математикиим. М.В. Келдыша РАН. – 2008. – №10. – С. 2–20.
  3. ВИНОГРАДОВА Е.П., ГОЛОВИН Е.Н. Метрики качестваалгоритмов машинного обучения в задачах классифика-ции // Научная сессия ГУАП. – 2017. – С. 202–206.
  4. КАШИРИНА И.Л., ДЕМЧЕНКО М.В. Исследование исравнительный анализ методов оптимизации, используе-мых при обучении нейронных сетей // Вестник ВГУ. Се-рия: Системный анализ и информационные технологии. –2018. – № 4. – С. 123–132.
  5. КОЗАР Б.А., КУГУРАКОВА В.В., САХИБГАРЕЕВА Г.Ф.Структуризация сущностей естественного текста с ис-пользованием нейронных сетей для генерации трехмерныхсцен // Программные продукты и системы. – 2022. – Т. 35,№3. – С. 329–339.
  6. ЛАГОВСКИЙ Б.А., РУБИНОВИЧ Е.Я. Алгоритмы цифро-вой обработки данных измерений, обеспечивающие угловоесверхразрешение // Мехатроника, автоматизация, управле-ние. – 2021. – Т. 22, № 7. – С. 349–356.
  7. МИНАЕВ Е.Ю., КУТИКОВА В.В., НИКОНОРОВ А.В. Тре-кинг объектов в видеопотоке на основе сверточных ней-ронных сетей и фрактального анализа // Сб. тр. IV меж-дународной конференции и молодежной школы «Инфор-мационные технологии и нанотехнологии» (ИТНТ-2018). –Самара: Новая техника. – 2018. – С. 2792–2798.
  8. СЕМЕНЮК В.В., СКЛАДЧИКОВ М.В. Разработка алго-ритма распознавания эмоций человека с использованиемсверточной нейронной сети на основе аудиоданных // Ин-форматика. – 2022. –Т. 19, №4.
  9. СУКИНА С.А. Нейронные сети // Новая наука: стратегиии векторы развития. – 2016. – Т. 82, №5. – С. 248.
  10. ТОРМОЗОВ В.С. Настройка, обучение и тестированиенейронной сети долгой краткосрочной памяти для задачираспознавания образов // Промышленные АСУ и контрол-леры. – 2020. – № 3. – С. 52–57.
  11. ШИШКИН Ю.Е., СКАТКОВ А.В. Метрики качества дляоценки и прогнозирования критических состояний // Каче-ство и жизнь. – 2019. – №1. – С. 61–66.
  12. ЯМАШКИН А.А., ЯМАШКИН С.А. Использование нейрон-ных сетей прямого распространения для ландшафтногокартографирования на базе космических снимков // Геоде-зия и картография. – 2014. – №11. – С. 52–58.
  13. ЯШИНВ.И.Растущие нейронные сетивробототехнике //Роботизация Вооруженных Сил Российской Федерации. –2020. – С. 279–284.
  14. ALMEIDA M.S., FIGUEIREDO M.A. Deconvolving imageswith unknown boundaries using the alternating directionmethod of multipliers // IEEE Trans. Image Process. – 2013. –Vol. 22, No. 8. – P. 3074–3086.
  15. BURG J.P. Maximum Entropy Spectral Analysis. – PhD thesis,Department of Geophysics, Stanford University, Stanford, CA,1975.
  16. DIEDERIK P. KINGMA JIMMY BA. Adam: A Method forStochastic Optimization // arXiv:1412.6980. – 2017.
  17. KASTURIWALA S.B., LADHAKE S.A. Superresolution: Anovel application to image restoration // International Journalon Computer Science and Engineering. – 2010. – No. 5. –P. 1659–1664.
  18. LAVATE T.B., KOKATE V.K., SAPKAL A.M. PerformanceAnalysis of MUSIC and ESPRIT. DOA Estimation Algorithmsfor Adaptive Array Smart Antenna in Mobile Communication //2nd Int. Conf. on Computer and Network Technology (ICCNT),US. – 2010. – P. 308–311.
  19. MORSE P., FESHBACH H. Methods of Theoretical Physics. –McGraw-Hill. Science/Engineering/Math, 1953. – 1978 P.
  20. PARK S.C., PARK M.K., KANG M.G. Super-resolution imagereconstruction: a technical overview // IEEE Signal ProcessingMagazine. – 2003. – Vol. 20, No. 3. – P. 21–36.
  21. SHCHUKIN А.А., PAVLOV A.E. Parameterization of userfunctions in digital signal processing for obtaining angularsuper-resolution // Russian Technological Journal. – 2022. –Vol. 10, No. 4. – P. 38–43.
  22. SROUBEK F.,CRISTOBAL G.,FLUSSER J.SimultaneousSuper-Resolution and Blind Deconvolution //Journal of Physics:Conference Series. – 2008. – Vol. 124, No. 1. – P. 012–048.
  23. TAN W.Q., HOU Y.G. Estimation of direction of source arrivalbased upon MUSIC and Capon // Journal of Nanchang Instituteof Technology. – 2008. – Vol. 27, No. 1. – P. 20–23.
  24. UTTAM S., GOODMAN N.A. Super-resolution of coherentsources in real-beam Data // IEEE Trans. on Aerospace andElectronic Systems. – 2010. – Vol. 46, No. 3. – P. 1557– 1566.
  25. WAWERU N.P., KONDITI D.B.O., LANGAT P.K.Performance Analysis of MUSIC Root-MUSIC and ESPRIT //DOA Estimation Algorithm. International Journal of ElectricalComputer Energetic Electronic and Comm. Engineering. –2014. – Vol. 8, No. 1. – P. 209–216.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».