Staff removal using image operator learning

حذف کارکنان یک کار پردازش تصویر است که هدف آن تسهیل تجزیه و تحلیل بیشتر از تصاویر نمره موسیقی است. حتی زمانی که به تصاویر در حوزه های خاص مانند شناخت نمره موسیقی محدود می شود، حل مشکلات پردازش تصویر معمولا نیاز به طراحی الگوریتم های سفارشی دارد. برای مقابله با متغیرهای تصویر و میزان رو به رشد داده ها، تکنیک های مبتنی بر یادگیری ماشین به عنوان یک روش طبیعی برای مشکالت پردازش تصویر به کار می رود. به این معنا، روش های یادگیری اپراتور تصویری مربوط به برآورد، از جفت نمونه تصاویر ورودی-خروجی یک تبدیل، یک تابع محلی است که تحول تصویر را مشخص می کند. این روش ها نیاز به تعریف برخی از پارامترها دارد، از جمله اطلاعات محلی که در پردازش در نظر گرفته شده است که توسط یک پنجره تعریف می شود. در این کار ما نشان می دهیم که چگونه روش یادگیری اپراتور تصویر را به مشکل حذف خطوط کارکنان اعمال کنیم. ما الگوریتم برای تعیین پنجره را ارائه می کنیم و نشان می دهیم که اطلاعات بصری مربوط به حذف کارکنان را ضبط می کند. ما همچنین یک پنجره مرجع برای استفاده در مواردی که مجموعه آموزش به اندازه کافی بزرگ نیست استفاده می کنیم. نتایج تجربی بدست آمده با توجه به امتیازات موسیقی مصنوعی و دست نویس تحت شرایط مختلف تصویر، نشان می دهد که اپراتورهای تصویر آماری با الگوریتم های خاصی طراحی شده است.