Avec l’avènement de l’ère multi-appareils, l’adaptation multiplateforme des images et des vidéos est devenue un besoin urgent. Comment ajuster automatiquement et efficacement la taille de l'image pour s'adapter aux différentes tailles d'écran et conserver le meilleur effet d'affichage est devenu un point chaud de la recherche dans le domaine du traitement d'image. Une équipe de recherche de l'Université de Sharjah aux Émirats arabes unis a fourni une solution innovante basée sur l'apprentissage profond, capable de prédire automatiquement la taille optimale des images et de sélectionner la technologie de redirection la plus appropriée, réduisant ainsi efficacement la perte d'informations et améliorant l'expérience utilisateur.
Avec la popularité rapide des appareils numériques, comment adapter parfaitement les images et les vidéos à différentes tailles d’écran est devenu un problème urgent à résoudre. Une équipe de recherche de l'Université de Sharjah aux Émirats arabes unis a récemment publié une étude utilisant un modèle d'apprentissage profond pour développer une nouvelle technologie capable de prédire automatiquement la taille optimale des images afin d'obtenir un affichage transparent entre différents appareils.
Le cœur de cette recherche est l'utilisation de la technologie d'apprentissage par transfert, en utilisant des modèles d'apprentissage profond tels que Resnet18, DenseNet121 et InceptionV3. Les chercheurs ont déclaré que même s’il existe de nombreuses technologies de reciblage d’images, elles ne peuvent souvent pas ajuster automatiquement la taille de l’image et nécessitent néanmoins une intervention manuelle. Il en résulte des images qui peuvent apparaître rognées ou déformées sur différents écrans. Par conséquent, l’équipe de recherche espère trouver la meilleure méthode de redirection d’image grâce à des moyens automatisés pour réduire la perte d’informations et maintenir la qualité de l’image.
Pour atteindre cet objectif, les chercheurs ont construit un ensemble de données contenant 46 716 images de différentes résolutions impliquant six catégories de techniques de reciblage. Grâce à des expériences, ils ont utilisé les informations de catégorie comme troisième entrée tout en codant les informations de résolution comme canal supplémentaire de l'image. Après évaluation, les résultats montrent que leur méthode obtient le meilleur score F1 de 90 % dans la sélection des techniques de redirection appropriées, indiquant l'efficacité de cette méthode.
L'équipe de recherche estime que l'apprentissage profond peut extraire automatiquement les caractéristiques des images et capturer efficacement des relations complexes, rendant ainsi la classification des méthodes de reciblage d'images plus précise. Bien qu'un calendrier de commercialisation de la nouvelle technologie n'ait pas encore été révélé, ils ont souligné la nécessité de poursuivre les recherches pour développer des modèles qui automatisent entièrement la sélection de la meilleure technologie et le reciblage des images. En outre, ils prévoient d’élargir l’ensemble de données, en ajoutant davantage d’échantillons et de méthodes de redirection pour améliorer la précision et l’adaptabilité du modèle.
Cette recherche fournit de nouvelles solutions pour le domaine du traitement d’images, et nous sommes impatients de parvenir à une redirection d’images plus efficace et plus intelligente à l’avenir.
Article : https://ieeexplore.ieee.org/document/10776979
Souligner:
L’équipe de recherche a développé une technologie de redirection automatique d’images basée sur l’apprentissage profond qui peut s’adapter de manière transparente à différents écrans.
Des modèles tels que Resnet18, DenseNet121 et InceptionV3 sont utilisés pour améliorer considérablement la précision du traitement des images.
En élargissant l’ensemble de données et en approfondissant les recherches, l’équipe espère parvenir à une solution de traitement d’image automatisée plus complète.
Ce résultat de recherche fournit une nouvelle idée pour résoudre le problème de l’adaptation d’image, et sa grande précision et son automatisation ouvrent de nouvelles possibilités pour le développement de la future technologie de traitement d’image. Les efforts ultérieurs de l’équipe de recherche, en particulier l’expansion de l’ensemble des données et l’amélioration du modèle, renforceront encore davantage le caractère pratique et la popularité de la technologie.