Analiza pristranskosti v globokih modelih za superresolucijo slik obrazovKAVČIČ, ANKA (Avtor) Štruc, Vitomir (Mentor) superresolucijahalucinacija obrazovpristranskostdetekcija obrazarazpoznavalnik obrazaSuperresolucija je postopek, katerega cilj je iz slike nizke ločljivosti (angl. Low-Resolution -- LR) pridobiti sliko visoke ločljivosti (angl. High-Resolution -- HR). Superresolucija se uporablja na več področjih, npr. za izboljšanje kakovosti slikovnih podatkov pri detekciji objektov na sliki, razpoznavo obrazov v nadzornih posnetkih, medicinskih slikah, astronomskih slikah in forenziki. Superresolucija je še vedno težaven in odprt problem računalniškega vida. Superresolucija je slabo pogojen inverzni problem, saj lahko več različnih slik visoke ločljivosti enako dobro razloži izbrano sliko nizke ločljivosti. Težavnost problema narašča z večanjem faktorja povečanja. Poleg tega je težko oceniti kakovost izhoda, saj številske metrike ne povzemajo popolnoma človeške percepcije. Najnaprednejši modeli na tem področju temeljijo na učenju iz parov LR in HR slik. Ker je takšno učenje odvisno od karakteristik podatkov, obstoječi modeli niso nujno enako uspešni na vseh vrstah slik in posledično izkazujejo določeno vrsto pristranskosti. V magistrskem delu analiziramo pristranskost petih postopkov za superresolucijo, ki temeljijo na nedavnih superresolucijskih modelih. Za merjenje uspešnosti delovanja modelov uporabimo različne metrike iz literature. Poleg pristranskosti analiziramo tudi vpliv uporabe superresolucije na uspešnost delovanja detektorja na zelo majhnih obrazih, ki jih obdelamo z mrežo za superresolucijo. Na koncu preverimo, kako dobro delujejo razpoznavalniki v primeru uporabe slik z izboljšano ločljivostjo in kako vpliva na delovanje uporaba realnih LR slik, ki jim izboljšamo ločljivost z mrežami za superresolucijo. Ugotovimo, da glede na izbrani nereferenčni metriki večinoma ni velikih razlik med lastnostmi, ki jih analiziramo. Večje razlike med nekaterimi lastnostmi se pojavijo, če jih primerjamo z referenčnimi metrikami. Manjše razlike se pojavijo, ko analiziramo pristranskost glede na spol, kjer so malo boljši rezultati za predstavnike moškega spola. Glede na raso najbolj konsistentne rezultate dajejo slike Azijcev, največji razpon pa imajo slike črncev. Pri starosti so boljši rezultati glede na referenčni metriki za starostno skupino 30--49 let, slabši za 90 let in več. Pri analizi vpliva zornega kota na uspešnost delovanja postopkov superresolucije ugotovimo, da modeli delujejo bolje, bolj ko obraz odstopa od frontalne lege. Večje razlike se pojavijo, ko gre za neko vrsto prekrivanja obraza, kjer zakritost obraza vpliva na uspešnost delovanja superresolucijskih mrež. V večini primerov gre za minimalne razlike med lastnostmi. Razlika pa je opazna, če primerjamo le obraze, na katerih so lastnosti, ki nam vrnejo boljše rezultate, in jih primerjamo z obrazi, na katerih so lastnosti, ki nam vrnejo slabše rezultate. Rezultati kažejo, da postopki superresolucije ne pripomorejo k uspešnejši detekciji nizko-resolucijskih obrazov. Pri analizi delovanja razpoznavalnika rezultati kažejo, da mreži, ki glede na metrike dosegata najboljše rezultate, dajeta slike, ki zagotavljajo večjo uspešnost razpoznavanja obrazov. Vseeno pa se slike z izboljšano ločljivostjo ne približajo delovanju razpoznavalnika s HR-HR slikami. Delovanje razpoznavalnika na realnih slikah z izboljšano ločljivostjo je slabše kot na podvzorčenih slikah, a je tudi precej odvisno od tipa nadzorne kamere.20202020-12-17 15:55:01Magistrsko delo/naloga122944VisID: 54141sl