Sviluppo di un sistema hardware/software per lo studio di immagini acquisite in ambiente sommerso controllato mediante l’addestramento di reti neurali a convoluzione

In the last years the application of Artificial Intelligence algorithms has grown drastically in different sectors and aspects of our lives. One of the major successful sectors is the treatment of images, not only in terms of classification, but also in terms of processing and data improvements: one of the most diffuse examples are the mobile camera software, which uses neural-networks-based algorithms for obtaining high quality pictures from lenses with a reduced resolving power, if compared with professional optical ones. The present work aims to use unsupervised Convolutional Neural Networks for underwater images processing, so to try to obtain air-quality images and reduce all the effects caused by the interaction between light and water particles. Nowadays several works are presented for the correction of low contrast and blurriness effects, but most of them generate synthetic images obtained by applying complementary algorithms used for water effects correction. The present work aims to create a real dataset composed by air/water images by the use of an ad-hoc experimental setup for training an unsupervised Generative Adversarial Network (GAN). Because of their nature to be generative models of data, GANs can learn to estimate the underlying probability distribution of the data and the unsupervised GAN can make it without a one-to-one mapping.

Negli ultimi anni l’applicazione degli algoritmi di Intelligenza Artificiale è cresciuta drasticamente in diversi settori e aspetti della nostra vita. Uno dei maggiori settori di successo è il trattamento delle immagini, non solo in termini di classificazione, ma anche in termini di elaborazione e miglioramento dei dati: uno degli esempi più diffusi è il software per telecamere mobili, che utilizza algoritmi basati su reti neurali per ottenere immagini di alta qualità da obiettivi con potere risolutivo ridotto rispetto a quelli ottici professionali. Il presente lavoro si propone di utilizzare reti neurali convoluzionali non supervisionate per l’elaborazione di immagini subacquee, in modo da cercare di ottenere immagini di qualità dell’aria e ridurre tutti gli effetti causati dall’interazione tra la luce e le particelle d’acqua e particolato disciolto. Al giorno d’oggi vengono presentati diversi lavori per la correzione degli effetti di basso contrasto e sfocatura, ma la maggior parte di essi genera immagini sintetiche ottenute applicando algoritmi complementari utilizzati per la correzione degli effetti dovuti all’ acqua. Il presente lavoro mira a creare un vero e proprio dataset composto da immagini aria/acqua mediante l’uso di un setup sperimentale ad-hoc per l’addestramento di una rete GAN (Generative Adversarial Network) non supervisionato.