
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.creator | Silva, Juan Casavílca | - |
| Autor(es): dc.creator | Saadi, Muhammad | - |
| Autor(es): dc.creator | Wuttisittikulkij, Lunchakorn | - |
| Autor(es): dc.creator | Militani, Davi Ribeiro | - |
| Autor(es): dc.creator | Rosa, Renata Lopes | - |
| Autor(es): dc.creator | Rodríguez, Demóstenes Zegarra | - |
| Autor(es): dc.creator | Otaibi, Sattam Al | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:32:07Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:32:07Z | - |
| Data de envio: dc.date.issued | 2022-04-28 | - |
| Data de envio: dc.date.issued | 2022-04-28 | - |
| Data de envio: dc.date.issued | 2021-05 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/49828 | - |
| Fonte completa do material: dc.identifier | https://ieeexplore.ieee.org/document/9442895 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1142056 | - |
| Descrição: dc.description | Light-field (LF) cameras, also known as plenoptic cameras, permit the recording of the 4D LF distribution of target scenes. However, many times, surface errors of a microlens array (MLA) are responsible for degradation in the images captured by a plenoptic camera. Additionally, the limited pixel count of the sensor can cause missing parallax information. The aforementioned issues are crucial for creating accurate maps for Intelligent Autonomous Transport System (IATS), because they cause loss of LF information, and need to be addressed. To tackle this problem, a learning-based framework by directly simulating the LF distribution is proposed. A high-dimensional convolution layer with densely sampled LFs in 4D space and considering a soft activation function based on ReLU segmentation correction is used to generate a superresolution (SR) LF image, improving the convergence rate in the deep learning network. Experimental results show that our proposed LF image reconstruction framework outperforms the existing state-of-the-art approaches; specifically, it is effective for learning the LF distribution and generating high-quality LF images. Different image quality assessment methods are used to evaluate the performance of the proposed framework, such as PSNR, SSIM, IWSSIM, FSIM, GFM, MDFM, and HDR-VDP. Additionally, the computational efficiency was evaluated in terms of number of parameters and FLOPs, and experimental results demonstrated that our proposed framework reached the highest performance in most of the datasets used. | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Institute of Electrical and Electronics Engineers (IEEE) | - |
| Direitos: dc.rights | restrictAccess | - |
| ???dc.source???: dc.source | IEEE Transactions on Intelligent Transportation Systems | - |
| Palavras-chave: dc.subject | Light-field imaging | - |
| Palavras-chave: dc.subject | Deep learning framework | - |
| Palavras-chave: dc.subject | Low computational complexity | - |
| Palavras-chave: dc.subject | Autonomous transportation systems | - |
| Palavras-chave: dc.subject | Intelligent transportation systems | - |
| Palavras-chave: dc.subject | Aprendizado profundo | - |
| Palavras-chave: dc.subject | Baixa complexidade computacional | - |
| Palavras-chave: dc.subject | Sistemas autônomos de transporte | - |
| Palavras-chave: dc.subject | Sistemas de transportes inteligentes | - |
| Título: dc.title | Light-field imaging reconstruction using deep learning enabling intelligent autonomous transportation system | - |
| Tipo de arquivo: dc.type | Artigo | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: