Les chercheurs développent un réseau de modulation de caractéristiques multi-échelles pour une amélioration avancée des images sous-marines
Les chercheurs dirigés par le professeur Wang Rujing des instituts Hefei des sciences physiques de l’Académie chinoise des sciences ont développé un réseau de modulation de caractéristiques multi-échelle simple et efficace pour l’amélioration des images sous-marines.
Leur étude, publiée dans le Journal de l’Université King Saud — Informatique et sciences de l’informationrelève le défi de l’amélioration de la qualité des images dans les environnements sous-marins tout en tenant compte des limites des appareils dotés d’une faible mémoire et d’une faible puissance de calcul.
Les images de haute qualité sont importantes pour de nombreuses applications sous-marines, notamment la surveillance des pêcheries et la conservation de l’environnement et des espèces. Cependant, la plupart des réseaux d’amélioration d’images sous-marines basés sur l’apprentissage profond ne conviennent pas aux plates-formes d’équipements sous-marins disposant d’une mémoire et d’une puissance de calcul limitées. Ce conflit pose un défi important pour améliorer la qualité des images sous-marines.
L’approche de cette étude, appelée réseau de modulation de caractéristiques multi-échelles (MFMN) simple mais efficace, permet d’obtenir un meilleur compromis entre l’efficacité du modèle et les performances de reconstruction.
« Les éléments clés sont le module de modulation multi-échelle et le module de mixage de canaux », a déclaré le Dr Wang Liusan, membre de l’équipe.
En incorporant le module de modulation multi-échelle similaire à un transformateur visuel, le réseau extrait les caractéristiques de l’image d’entrée et sélectionne dynamiquement les caractéristiques représentatives dans l’espace de l’image.
Pour remédier au manque d’informations sur les caractéristiques des canaux, un module de mixage de canaux est introduit pour améliorer la perspective spatiale.
Les résultats expérimentaux montrent que la méthode MFMN réduit considérablement les paramètres du réseau par rapport aux techniques existantes, le rendant 8,5 fois plus petit. Malgré sa taille réduite, la méthode atteint des performances similaires à un coût de calcul inférieur.
Ces résultats ont des implications prometteuses pour des applications telles que la surveillance des pêcheries sous-marines et la conservation de l’environnement, selon l’équipe.
