Deep learning-based unrolled reconstruction methods for computational imaging
Hesaplamalı görüntüleme için derin öğrenme tabanlı geriçatım yöntemleri
- Tez No: 695447
- Danışmanlar: DOÇ. DR. SEVİNÇ FİGEN ÖKTEM
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 120
Özet
Hesaplamalı görüntüleme, görüntülerin hesaplama kullanılarak dolaylı ölçümlerden elde edilmesidir. Bu tezde, çeşitli hesaplamalı görüntüleme metotları için derin öğrenme tabanlı geriçatım yöntemleri geliştirilmektedir. İlk olarak, kırınımlı çoklu spektral görüntüleme için derin öğrenme tabanlı iki geriçatım yöntemi geliştirilmektedir. İlk yaklaşım, derin gürültüsüzleştiriciler ile koy ve oynat düzenlileştirmesine dayanan özyineli bir yöntem ve ikinci yaklaşım, özyineli yöntemin iterasyonlar boyunca açılmasına dayanan baştan sonra öğrenilmiş bir yöntemdir. İkinci olarak, ölçümleri evrişim ve üstdüşüm içeren genel çok boyutlu görüntüleme sistemleri dikkate alınmaktadır. Gerçekçi kırpılmış görüntüleme modeli formüle edilmektedir ve ilgili ters problemi çözmek için derin öğrenme tabanlı geriçatım yöntemi geliştirilmektedir. Yöntemin performansı, tek-çerçeve ters evrişim ve kırınımlı çoklu spektral görüntüleme uygulamaları için gösterilmektedir. Üçüncü olarak, derin öğrenme tabanlı geriçatım yöntemleri hem klasik hem de kırpılmış görüntüleme modelleri kullanılarak sıkıştırılmış spektral görüntüleme metoduna uygulanmaktadır. Geliştirilen bütün yöntemlerin performansları, U-Net'i de içeren farklı evrişimsel sinir ağı mimarileri kullanılarak örnek uygulamalar için karşılaştırmalı olarak değerlendirilmektedir. Sonuçlar, tüm benzetim durumlarında, geliştirilen baştan sona öğrenilmiş yöntemin tamamen analitik olan yöntemlere karşı olan üstünlüğünü göstermektedir. Ayrıca, kapsamlı benzetimlerle, geliştirilen baştan sona öğrenilmiş yöntemin genelleştirme yeteneği ve model uyumsuzluğu analizleriyle, kırpılmış görüntüleme modeli kullanılarak elde edilen iyileşmeler gösterilmektedir.
Özet (Çeviri)
Computational imaging is the process of forming images from indirect measurements using computation. In this thesis, we develop deep learning-based unrolled reconstruction methods for various computational imaging modalities. Firstly, we develop two deep learning-based reconstruction methods for diffractive multi-spectral imaging. The first approach is based on plug-and-play regularization with deep denoisers whereas the second one is an end-to-end learned reconstruction based on unrolling. Secondly, we consider general multidimensional imaging systems whose measurements involve convolution and superposition. We formulate a realistic truncated image formation model and develop a deep learning-based unrolled reconstruction method to solve the associated inverse problem. The performance is illustrated for single-frame deconvolution and diffractive multi-spectral imaging applications. Thirdly, we extend the deep learning-based unrolled reconstruction methods to a compressive spectral imaging modality by considering both the conventional and truncated image formation models. The performance of all the developed methods is comparatively evaluated for sample applications using different convolutional neural network (CNN) architectures, including U-Net. Results illustrate the superior performance of the developed unrolled learned reconstruction methods over purely analytical methods for all simulation settings. We also demonstrate the generalization capability of the developed unrolled reconstruction methods through extensive simulations and perform model mismatch analyses to illustrate the improvement gained with the truncated image formation model.
Benzer Tezler
- Deep learning-based building segmentation using high-resolution aerial images
Yüksek çözünürlüklü hava görüntüleri kullanarak derin öğrenme temelli bina bölütlemesi
BATUHAN SARITÜRK
Doktora
İngilizce
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Deep learning based fabric defect detection
Derin öğrenme temelli kumaş hatası tespiti
YAVUZ KAHRAMAN
Doktora
İngilizce
2022
Endüstri ve Endüstri MühendisliğiGaziantep ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPTEKİN DURMUŞOĞLU
- Akıllı şebekelerdeki durum kestirimine karşı yapılan saldırıların derin öğrenme tabanlı tespiti
Deep learning based detection of attacks against state estimation in smart grids
SEYİT AHMET NAFİZ BURNAZ
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKaradeniz Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA ŞİNASİ AYAS
- Otonom drone ile alınan görüntülerden derin öğrenme tabanlı ray hattı bileşenlerinde hata tespiti
Deep learning based fault detection of rail track components from images taken by autonomous drone
MERVE YILMAZER
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KARAKÖSE
- Derin öğrenme tabanlı bakteri sınıflandırma
Deep learning based bacteria classification
ÖMER FARUK NASİP
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTokat Gaziosmanpaşa ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KENAN ZENGİN