Learned image restoration and super-resolution
Makine öğrenimi ile imge onarımı ve süper çözünürlüğü
- Tez No: 520643
- Danışmanlar: PROF. DR. AHMET MURAT TEKALP
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 44
Özet
Derin öğrenme sinyal işlemenin her alanını derinden etkilemektedir. Hemen her gün yeni bir derin öğrenme mimarisi önerilmekte ve bu yöntemler insanlarca tasarlanmış geleneksel algoritmaların yerini almaktadırlar. Bir yapay sinir ağının girdilerini nasıl işlediğini saklı katmanlara bakarak analiz etmek kolay olmasa bile belli girdilere nasıl cevap verdiğini gözlemleyerek sinir ağını analiz edebiliriz. Bu tezde yapay sinir ağının imge işleme uygulamaları üzerinde performansını öngörebilmek için imgelerin karmaşıklığını ölçen 2 çeşit ölçü öneriyoruz. Sonuçlar bu ölçülerin yapay sinir ağlarının test kümelerinin üzerindeki davranışlarını açıkladığını göstermektedir. Ayrıca art işleme yaparak BPG formatı ile sıkıştırılmış imgelerin görüntü kalitelerini iyileştiren bir sinir ağı da öneriyoruz. Bu sinir ağını sadece tek bir nicemleme parametresine göre eğitmemize rağmen, sonuçlar değişik nicemleme parametresiyle sıkıştırılmış imgeleri de iyileştirebildiğimizi göstermektedir.
Özet (Çeviri)
It is known that deep learning is having a huge impact on every aspect of signal processing. Everyday new architectures employing deep learning are proposed substituting human-engineered algorithms and methods. Although it is not easy to analyze a neural network to understand how it operates on inputs by looking at hidden variables, we can still analyze them by looking at how they interact with certain kinds of inputs. In this thesis, we propose two measures to assess the complexity of images so that we can predict the performance of the neural network in the context of image processing. We show that these measures can be used for explaining the behavior of the neural network on test sets. Additionally, we propose a post-processing network which enhances visual quality of BPG compressed images. We show that although we trained the network with single QP, the network is able to enhance images encoded with various QPs.
Benzer Tezler
- Seyreklik ve sözlük öğrenme yaklaşımlarının sınıflandırma ve yüz tanımaya uygulanması
Classification and face recognition application of sparsity and dictionary learning based methods
BERNA AZİZOĞLU
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. ENDER METE EKŞİOĞLU
- Türkiye'de taşınmaz kültür ve tabiat varlıklarını koruma olayı ve korumaya halkın katılımı konusunda yardımcı bir araştırma
A Research to the conservation of historical monuments and natural environments with public porticipation in Turkey
İSMET ŞAHİN
- Bulanık görüntülerin yapay sinir ağları ile onarılması
Degraded image restoration using neural networks
İBRAHİM İPEK
Yüksek Lisans
Türkçe
2012
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. NİHAN KAHRAMAN
- Integration of structured energy-based models with deep neural networks for image restoration
Başlık çevirisi yok
FAZIL ALTINEL
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTohoku UniversityDR. TAKAYUKİ OKATANİ
- Efficient maximum likelihood parameter learning: Image and radar applications
Etkin en büyük olabilirlik parametre öğrenme: İmge ve radar uygulamaları
FARUK SARI
Doktora
İngilizce
2006
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ.DR. MEHMET ERTUĞRUL ÇELEBİ