Geri Dön

Video'da derin öğrenme tabanlı gürültü azaltma

Deep learning-based noise reduction in video

  1. Tez No: 848974
  2. Yazar: AHMET YAPICI
  3. Danışmanlar: PROF. DR. MUHAMMET ALİ AKCAYOL
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Bilişim Enstitüsü
  11. Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 165

Özet

Videoda gürültü giderme teknikleri, görüntü detaylarını korurken gürültüyü ortadan kaldırmayı amaçlamaktadır. Ancak kullanılan gürültü giderme modelleri, görüntü üzerindeki gürültüleri tam olarak giderememekte ve görüntü özellikleri kaybolmaktadır. Tüm gürültü türleri ve seviyelerinde başarılı bir şekilde gürültüyü gideren tek bir model bulunmamaktadır. Bu çalışmada, farklı derin öğrenme yöntemlerini bir araya getiren video gürültü giderme modeli (VGGM) geliştirilmiştir. VGGM mimarisinde evrişimli sinir ağı (convolutional neural network-CNN), üretici çekişmeli ağ (generative adversarial network-GAN), U-Net mimarisi birlikte kullanılarak görüntülerdeki gürültü giderilmekte ve görüntü geçişlerindeki titremenin önlenmesi sağlanmaktadır. VGGM farklı tür ve seviyelerdeki gürültülerin giderilmesindeki performansı BSD400, CBSD400, Derf, DAVIS, Vimeo, Set12 veri kümeleri kullanılarak karşılaştırılmıştır. VGGM, klasik CNN tabanlı modellere göre düşük gürültü seviyelerinde daha başarılı performans göstermektedir. VGGM 0 - 30 dB (decibel) gürültü aralıklarında başarılı sonuçlar elde etmekle beraber ilerleyen gürültü seviyelerinde diğer modellere göre başarı seviyesinin düştüğü görülmektedir.

Özet (Çeviri)

Video denoising techniques aim to eliminate noise while preserving image details. However, in the process of noise reduction, some image texture may be lost, and residual noise artifacts can persist. No single model has achieved universal success across all types and levels of noise. In this study, a video noise reduction model (VGGM) that combines different deep learning methods is developed. Specifically, we leverage a combination of convolutional neural network, generative adversarial network and U-Net architecture, which has demonstrated effectiveness in image denoising and flickering is prevented during image transitions. The performance of the VGGM in removing different types and levels of noise is compared using BSD400, CBSD400, Derf, DAVIS, Vimeo, Set12 datasets. Our evaluation of the VGGM reveals superior performance at low noise levels compared to previous CNN-based methods. The VGGM model achieves successful results in the noise ranges between 0 - 30 dB (decibel), and it is seen that the success level decreases compared to other models at advancing noise levels.

Benzer Tezler

  1. Bulanık su altı görüntülerinde derin öğrenme tabanlı balık tespiti

    Deep learning based fish detection in turbid underwater images

    TANSEL AKGÜL

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Uydu Haberleşmesi ve Uzaktan Algılama Ana Bilim Dalı

    DOÇ. DR. BEHÇET UĞUR TÖREYİN

  2. Efficient deep learning approaches for signal and image analysis applications

    Sinyal ve görüntü analizi uygulamaları için verimli derin öğrenme yaklaşımları

    ONUR CAN KOYUN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN

  3. Transfer learning based facial emotion recognition and action unit detection

    Transfer öğrenme tabanlı yüz ifadesinden duygu tanıma ve eylem birimi tespiti

    SÜLEYMAN ENGİN BAĞLAYİCİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HATİCE KÖSE

  4. Estimation and restoration for heat haze effects in image and video processing

    Görüntü ve video işlemede ısı dalgalanması etkilerinin tahmini ve restorasyonu

    ÖZLEM ALPERGÜN TANAS

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER METE EKŞİOĞLU

  5. Scene change detection with triplet loss network using self-supervised learning

    Üçlü kayıp ağı ile kendi kendine denetimli öğrenme metodu kullanarak sahne geçişlerinin tespiti

    BURAK NAYIR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Ana Bilim Dalı

    DR. TANKUT AKGÜL