VELIE: NJË PËRMIRËSIM EFIÇENT I IMAZHIT ME DRITË TË ULËT TË BAZUAR NË

AUTOMJETE
METODA PËR AUTOMJETE INTELIGJENTE

Punoi: Ledina Kuni Pranoi: Prof.Dr.

Elma Zanaj
 QËLLIMI

 Trajtimi i sfidave të performancës së dobët të kamerave RGB në kushte me dritë të ulët duke propozuar një rrjet të
përmirësimit të Deep Learning që arrin performancën më të fundit me aftësi përpunimi në kohë reale.
 RISHIKIM I LITERATURËS (I/II)

Metodat tradicionale Metoda e bazuar në mësim

 Metodat e hershme përdorën përpunimin e sinjalit dhe  Detyrat LLIE të Machine Learning and Deep
teoritë optike, të tilla si: Learning mund të kategorizohen në dy lloje:
• barazimi i histogramit, • metoda të bazuara në mësim
• korrigjimi i gamës , • modele gjeneruese.
• korrigjimi log.

 Teoria e Retineksit zbërthen imazhet me ngjyra në

komponentë reflektimi dhe ndriçimi, me Retinex me një
shkallë (SSR) dhe Retinex me shumë shkallë (MSR).
 RISHIKIM I LITERATURËS (II/II)

LLIE në sistemet e drejtimit

 Teknologjia LLIE në sistemet inteligjente të drejtimit është thelbësore për

ofrimin e informacionit më të qartë visual.

 Metodat aktuale të bazuara në Swin Transformer mund të kryejnë llogaritje me

90k parametra dhe një kohë llogaritje prej 0,004s, duke mundësuar shmangien
më të shpejtë të rreziqeve në kohë reale në automjete.
 METODA (I/III)

 Përmirësimi efikas i imazhit me dritë të ulët të bazuar në automjet (VE-LIE) është një rrjet i lehtë që rrit në mënyrë
të pavarur komponentët e reflektimit dhe ndriçimit në dy degë të veçanta.

 Rrjeti adreson ndriçimin kompleks dhe detajet në mjediset e drejtimit, duke përdorur CNN dhe Vision Transformer
si vija bazë.
 METODA (II/III)

Rrjeti i zbërthimit të maskës (MDN) Transformator për rritjen e reflektimit (RET)

 Teoria Retinex e ndan hyrjen e papërpunuar RGB në  Teoria Retinex sugjeron që hartat e reflektimit janë
dy harta: të pandryshueshme në kushte të ndryshme ndriçimi,
• por zhurma në rajone më të errëta e bën modelimin
një hartë reflektimi
të vështirë.
• një hartë ndriçimi.
 METODA (III/III)
Gamma U-Net (G-Unit)
 Transformimi gama është një transformim jolinear që
rregullon kontrastin e imazhit duke përmirësuar ose
zvogëluar pjesët e shkallës gri.
 U-Net është zgjedhur për nxjerrjen e tij të jashtëzakonshme
të veçorive dhe aftësitë e shkëlqyera të përpunimit në nivel
pixel.
Tipare të Shtresës së daljes Fusion
 Degët RET dhe G-UNet përmirësojnë një imazh hyrës, më
pas i rikombinojnë ato në imazhin përfundimtar të daljes
RGB duke përdorur teorinë e Retinex, ku një imazh RGB
është produkti point-wise i hartave të përmirësuara të
reflektimit dhe ndriçimit.
 EKSPERIMENTIMI (I/II)

Grupi i të dhënave Zbatimi

 Studimi përdor grupin e të dhënave LOL si një grup
të dhënash trajnimi për një detyrë të imazhit të
(LLIE), e cila përbëhet nga:
• 485 imazhe trajnimi të çiftuara
• 15 imazhe testuese me të vërtetën bazë.
 Modeli iu nënshtrua një periudhe trajnimi 11-orësh
në një GPU 4090 duke përdorur PyTorch, me
specifikime të detajuara trajnimi.
 EKSPERIMENTIMI (II/III)

Rezultatet e Përmirësimit
 Studimi krahason teknikat e përmirësimit të ndriçimit si:
• RetinexNet,
• KinD++,
• PairLIE.

 VELIE, një qasje e Deep Learning, i kalon metodat tradicionale në vlerësimet e cilësisë së imazhit dhe rezultatet
vizuale, veçanërisht në sistemet autonome të drejtimit.
 EKSPERIMENTIMI (III/III)

Ndikimi në perceptimin e nivelit të lartë

 Studimi shqyrton efektivitetin e rezultateve të përmirësimit në detyrat e perceptimit me dimensione të larta në

sistemet e drejtimit.

 Metoda VELIE, e cila siguron informacion më të qartë vizual dhe bazë më të mirë të të dhënave për algoritmin e
zbulimit të objekteve, tejkalon modelet e tjera në shpejtësinë e zbulimit dhe kohën e përpunimit.
 PËRFUNDIMET
 Ky asrtikull eksploron përdorimin e sensorëve të kamerës RGB në
sistemet inteligjente të perceptimit të automjeteve dhe zhvillon një
kornizë të bazuar në Deep Learning të quajtur Përmirësimi efikas i
imazhit me dritë të ulët të bazuar në automjete (VELIE).

 Potenciali i VELIE për t'u kombinuar me detyra të avancuara të

perceptimit të drejtimit me dimensione të larta si:
• vlerësimi i thellësisë,
• rindërtimi 3D
• gjurmimi i objekteve paraqet një zonë premtuese për zhvillim të mëtejshëm.
FALEMINDERI
T!