pdf
Опубликован
2023-06-05
Выпуск
Раздел
Информатика, вычислительная техника
Лицензия
Copyright (c) 2023 А. В. Блинников, И. В. Ковалев
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Журнал «Информатика. Экономика. Управление» / «Informatics. Economics. Management» публикует материалы на условиях лицензии CreativeCommons Attribution 4.0 International (CC BY 4.0), размещенной на официальном сайте некоммерческой корпорации Creative Commons: 
This work is licensed under a Creative Commons Attribution 4.0 International License.
Это означает, что пользователи могут копировать и распространять материалы на любом носителе и в любом формате, адаптировать и преобразовывать тексты, использовать контент для любых целей, в том числе коммерческих. При этом должны соблюдаться условия использования — указание автора оригинального произведения и источника: следует указывать выходные данные статей, предоставлять ссылку на источник, а также указывать, какие изменения были внесены.
Как цитировать
Использование нейросетевого подхода при постобработке части оцифрованных киноматериалов кинооператора Ю. Я. Ковтуна
А. В. Блинников
Красноярский государственный аграрный университет, Красноярск, Россия; Сибирский федеральный университет, Красноярск, Россия
И. В. Ковалев
Красноярский государственный аграрный университет, Красноярск, Россия; Сибирский федеральный университет, Красноярск, Россия; Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева, Красноярск, Россия
DOI: https://doi.org/10.47813/2782-5280-2023-2-2-0224-0241
Ключевые слова: технологии искусственного интеллекта, нейросеть, визуализация, цифровое преобразование, шумоподавление, компьютерная колоризация, цифровой фильтр
Аннотация
В статье рассматривается использование нейросетевого подхода при постобработке части оцифрованных киноматериалов северного кинооператора Ю.Я. Ковтуна. Авторами исследуется и изучается монтажно-коррекционный и нейросетевой методы применительно к части оцифрованных материалов северного оператора, таких как «День города - Норильск», «40 минут от Норильска», «Ангарская сосна идёт к океану», «Ледин и его героиня». Представлены численные результаты обработки полноценных кинокопий и визуальные результаты экспериментов, которые обеспечили улучшение визуальных характеристик оцифрованных киноматериалов. При этом большая часть эпизодов обрабатывалась покадрово сочетанием Topaz-инструментов. Дана оценка качества обработки в ImageDiscerner и представлены карты отличий и гистограммы сравнений кадров по Brightness (яркости), Solid Areas (сплошной области), Saturation (насыщению) и RGB для оцифрованных киноматериалов.
Биографии авторов
А. В. Блинников, Красноярский государственный аграрный университет, Красноярск, Россия; Сибирский федеральный университет, Красноярск, Россия
Блинников Александр Вениаминович, аспирант, Красноярский государственный аграрный университет, Красноярск, Россия
И. В. Ковалев, Красноярский государственный аграрный университет, Красноярск, Россия; Сибирский федеральный университет, Красноярск, Россия; Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева, Красноярск, Россия
Ковалев Игорь Владимирович, д.т.н., профессор, Сибирский федеральный университет, Красноярск, Россия
Библиографические ссылки
Блинников А.В., Мансурова Т.П. Методика аналитического учета и классификации фильмокопий в фонде длительного хранения. Современные инновации, системы и технологии. 2022; 2(1): 30-40.
Варламова Л.П., Салахова К.Н., Тиллаходжаева Р. С. Нейросетевой подход в задаче обработки данных. Молодой ученый. 2018; 16(202): 99-102.
Блинников А.В. Физико-технический подход к системному увлажнению киноплёнки. Современные инновации, системы и технологии. 2021; 1(3): 41-53.
Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. М.: ДМК Пресс; 2018. 652.
Andrew N.G. Machine Learning. Technical Strategy for AI Engineers. Andrew NG: Self-publishing; 2018. 118. https://itbook.store/books/1001590486081
Николаенко C., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. Санкт-Петербург: Питер; 2018. 480.
Саттон Р. С., Барто Э. Г. Обучение с подкреплением. М.: БИНОМ. Лаборатория знаний; 2017. 399.
Abu-Mostafa, Yaser S. Learning from Data Hardcover. AMLBook.com; 2012. 213.
Burkov A. The Hundred-Page Machine Learning Book. Andriy Burkov Publisher; 2019. 160.
Chollet F. Deep Learning with Python. Telegram. https://t.me/progbook/889.
Géron A. Hands-On Machine Learning with Scikit-Learn and TensorFlow Concepts, Tools, and Techniques to Build Intelligent Systems. Telegram. https://t.me/progbook/196.
Trask A. W. Grokking Deep Learning. Manning; 2019. 336.
Lapan M. Deep Reinforcement Learning Hands-On: Apply modern RL methods, with deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero and more. Packt Publishing; 2018. 546.
Molnar Ch. Interpretable Machine Learning. A Guide for Making Black Box Models Explainable. Christoph Molnar: Independently published; 2019. 328.
Nielsen M. Neural Networks and Deep Learning. Determination Press; 2015. 224. http://neuralnetworksanddeeplearning.com/index.html.
Pearl Ju., Mackenzie D. The Book of Why: The New Science of Cause and Effect. New York City: Basic Books; 2018. 432.
Rosebrock A. Deep Learning for Computer Vision with Python. Starter Bundle. PyimageSearch.com. Telegram; 2017. https://t.me/progbook/1503.
Skansi S. Introduction to Deep Learning. From Logical Calculus to Artificial Intelligence. Springer; 2018. https://t.me/progbook/1196.
REFERENCES
Blinnikov A.V., Mansurova T.P. Metodika analiticheskogo ucheta i klassifikacii fil'mokopij v fonde dlitel'nogo hraneniya. Sovremennye innovacii, sistemy i tekhnologii. 2022; 2(1): 30-40. DOI: https://doi.org/10.47813/2782-2818-2022-2-1-30-40
Varlamova L.P., Salahova K.N., Tillahodzhaeva R. S. Nejrosetevoj podhod v zadache obrabotki dannyh. Molodoj uchenyj. 2018; 16(202): 99-102.
Blinnikov A.V. Fiziko-tekhnicheskij podhod k sistemnomu uvlazhneniyu kinoplyonki. Sovremennye innovacii, sistemy i tekhnologii. 2021; 1(3): 41-53.
Gudfellou YA., Bendzhio I., Kurvill' A. Glubokoe obuchenie. M.: DMK Press; 2018. 652.
Andrew N.G. Machine Learning. Technical Strategy for AI Engineers. Andrew NG: Self-publishing; 2018. 118. https://itbook.store/books/1001590486081
Nikolaenko C., Kadurin A., Arhangel'skaya E. Glubokoe obuchenie. Pogruzhenie v mir nejronnyh setej. Sankt-Peterburg: Piter; 2018. 480.
Satton R. S., Barto E. G. Obuchenie s podkrepleniem. M.: BINOM. Laboratoriya znanij; 2017. 399.
Abu-Mostafa, Yaser S. Learning from Data Hardcover. AMLBook.com; 2012. 213.
Burkov A. The Hundred-Page Machine Learning Book. Andriy Burkov Publisher; 2019. 160.
Chollet F. Deep Learning with Python. Telegram. https://t.me/progbook/889.
Géron A. Hands-On Machine Learning with Scikit-Learn and TensorFlow Concepts, Tools, and Techniques to Build Intelligent Systems. Telegram. https://t.me/progbook/196.
Trask A. W. Grokking Deep Learning. Manning; 2019. 336.
Lapan M. Deep Reinforcement Learning Hands-On: Apply modern RL methods, with deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero and more. Packt Publishing; 2018. 546.
Molnar Ch. Interpretable Machine Learning. A Guide for Making Black Box Models Explainable. Christoph Molnar: Independently published; 2019. 328.
Nielsen M. Neural Networks and Deep Learning. Determination Press; 2015. 224. http://neuralnetworksanddeeplearning.com/index.html.
Pearl Ju., Mackenzie D. The Book of Why: The New Science of Cause and Effect. New York City: Basic Books; 2018. 432.
Rosebrock A. Deep Learning for Computer Vision with Python. Starter Bundle. PyimageSearch.com. Telegram; 2017. https://t.me/progbook/1503.
Skansi S. Introduction to Deep Learning. From Logical Calculus to Artificial Intelligence. Springer; 2018. https://t.me/progbook/1196. DOI: https://doi.org/10.1007/978-3-319-73004-2
