Este proyecto ha sido desarrollado utilizan modelos de deeplearning con el fin de participar en el concurso organizado por el canal de youtube Dot CSV.

Poder remover de imagenes factores climatológicos que pueden dificultar la visión o utilización de estas imagenes, factores tales como la lluvia y la neblina. Por lo cual una de sus utilidades puede ser como lo mencionado Carlos (organizador del evento) en su video titulado ¿Dónde está MI COCHE AUTÓNOMO?. Donde en una parte del video explica la alternativa que sigue Tesla para poder crear autos autónomos, en los que utilizan las cámaras para poder llevar a cabo la tarea de percepción del entorno.

Actualmente el algoritmo puede remover lluvia y niebla de las imágenes. Para esto, lo que hice fue utilizar un modelo de clasificación que se encarga de determinar si una imagen pertenece a la categoría de neblina o de lluvia. Una vez hecho esto, se cuenta con dos modelos con la arquitectura pix2pix entrenados para poder remover el factor ambiental que les corresponde de la imagen. Dependiendo del resultado del modelo clasificador, se utilizará uno de los dos modelos pix2pix. A continuación se mostrará como funciona de una forma más clara la solución propuesta.

El algoritmo clasificador es una red neuronal convolucional la cual está conformado por dos capas convolucionales. A la primera capa convolutional se le aplica la función de activación ReLu y a la segunda la función de activación sigmoid. Como resultado de se espera un 0 para neblina o un 1 para lluvia.

Como primer capa se tiene al clasificador que se encarga de decir si la imagen de entrada es de niebla o de lluvia. El output del clasificador puede ser un 0 que indica que es niebla o un 1 que indica lluvia.

Dependiendo de la salida del clasificador, se elegirá utilizar uno de los dos modelos pix2pix que hay (el de niebla o la lluvia). Una vez elegido el modelo que se va a utilizar, se procesa la imagen y se obtiene la salida sin el factor climatológico correspondiente.

En la primera imagen se puede observar como funcionaría de forma interna el algoritmo para eliminar la niebla de una image y en la segunda imagen se observa el caso de la lluvia.

Se implementó de esta forma, debido a que ayuda a simplificar la complejidad de la traducción de imagenes. Además, se necesitan menos imagenes de entrenamiento para cada uno de los modelos pix2pix, al contrario del caso de utilizar un solo modelo pix2pix para intentar eliminar la lluvia y la niebla en un mismo modelo.

El código correspondiente a estos componentes se encuentran dentro de este repositorio, como una referencia a un python note book en google colaboraty.

• Epoch: 100.
• Dataset size: 489 imagenes.
• Training dataset: 392 imagenes.
• Testing dataset: 97 imagenes.

• Epoch: 150.
• Dataset size: 75 imagenes.
• Training dataset: 68 imagenes.
• Testing dataset: 7 imagenes.

• Epoch: 150.
• Dataset size: 200 imagenes.
• Training dataset: 190 imagenes.
• Testing dataset: 10 imagenes.

A continuación se podrán observar varios casos de pruebas realizados sobre la arquitectura completa. Para cada par de imagenes se tiene que a la izquierda está la imagen de entrada y a la derecha la imagen de salida.

Como se puede observar, hay varias imágenes que tienen buenos resultados, a pesar de ser imágenes nunca antes vistas por el modelo. Estos resultados se podrían mejorar con más datos de entrenamiento y variando algunos hiperparametros. Por otra parte, se podría implementar la misma idea, pero con la arquitectura pix2pixhd para obtener resultados de mejor calidad.

Esta será una lista de datos sobre mi.

• Nombre: Gerald Morales Alvarado.
• País: Costa Rica.
• Correo: [email protected]
• Profesión: Estudiante de ingeniería en computación en el Instituto Tecnológico de Costa Rica.
• Hobby: Uno de mis hobbies es el deeplearning, el cual espero algún día aplicarlo de forma profesional resolviendo problemas de beneficio para la sociedad.
• Otro: Llevo más de 1 año de ver los videos del canal Dot CSV los cuales me han ayudado a poder aprender sobre diferentes temas o conceptos de deeplearning de una forma sencilla, a comparación a lo que se ve en diferentes tutoriales referentes a esos temas.