Dikkat tabanlı evrişimli sinir ağları ile görüntülerde gürültü giderme
Denoise in images with attention-based convolution neural networks
- Tez No: 850560
- Danışmanlar: DR. ÖĞR. ÜYESİ SERDAR ÇİFTÇİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Harran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 60
Özet
Bilgisayarlı görü uygulamalarının başarımında ve insan görsel memnuniyetinde görüntülerin net ve gerçeğe yakın olmasının önem arz etmesi görüntü kalitesi iyileştirme çalışmalarına olan ihtiyacı artırmıştır. Görüntü kalitesi iyileştirme çalışmalarının çoğunluğu gürültü giderme problemi üzerine yoğunlaşmıştır. Bu problem; görüntü yakalama, sıkıştırma ve aktarma gibi farklı kaynaklardan dolayı oluşabilmekte ve bu durumun üstesinden gelmek için farklı çözüm yaklaşımları denenerek uzunca bir süre çalışmalar yapılmıştır. Bu çalışmada, gürültü gidermede başarılı performans sergileyen derin öğrenme tabanlı bir yaklaşım olan Evrişimli Sinir Ağ tabanlı Hızlı ve Esnek Gürültü Giderme modeli (FFDNet) temel alınmış ve FFDNet'in gürültü giderme yeteneğini iyileştirmek amacıyla mimariye Evrişimsel Blok Dikkat Modülü (CBAM) dahil edilmiştir. CBAM modülü iki ayrı dikkat mekanizması içermekte olup FFDNet mimarisine dahil edilmesiyle Evrişimsel Sinir Ağlarının (CNN) temsil gücünü artmıştır. FFDNet mimarisi üzerinde ablasyon çalışmaları yapılmış ve CBAM modülünün yalnızca son katmana eklendiğinde başarılı sonuç verdiği görülmüştür. Önerilen yöntem ile farklı seviyelerde gürültü değerleriyle deneyler yapılmış ve nicel ölçümlerde PSNR, SSIM ve LRI metriklerinde iyileşmeler elde edilmiştir. Elde edilen görüntülerin görsel kalitesi incelendiğinde önerilen yöntemin hedef görüntülere daha yakın sonuçlar oluşturduğu gözlemlenmiştir.
Özet (Çeviri)
The need for image quality enhancement studies has increased due to the importance of clear and realistic images for the performance of computer vision applications and for human viewing pleasure. Most image quality enhancement studies have focused on the problem of noise removal. This problem can be caused by various sources such as image acquisition, compression, and transmission, and various approaches have been tried for a long time to overcome this problem. This study is based on Toward a Fast and Flexible Solution for CNN based Image Denoising (FFDNet), one of the successful denoising methods, in which a Convolutional Block Attention Module (CBAM) has been integrated into the architecture to improve the denoising capability of FFDNet. The CBAM module contains two separate attention mechanisms, and its inclusion in the FFDNet architecture has increased the representational performance of convolutional neural networks. Ablation studies were performed with the FFDNet architecture, and it was found that the CBAM module gives successful results only when it is added to the last layer. Experiments with the proposed method were performed with different noise levels, and improvements in the PSNR, SSIM, and LRI metrics were obtained in the quantitative measurements.When analyzing the visual quality of the images, it can be seen that the proposed method provides results that are closer to the target images.
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Öz bilgi destekli derin öğrenme yaklaşımları ile hsg gürültü giderme
Self-ınformation empowered deep learning approaches for hsı denoising
ORHAN TORUN
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM
PROF. DR. MEHMET ERKUT ERDEM
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- On real-world face super-resolution and face image synthesis evaluation
Gerçek dünya yüz süper çözünürlüğü ve yüz görüntüsü sentezi değerlendirmesi üzerine
ERDİ SARITAŞ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Termal görüntü çözünürlüğünün artırılması için derin öğrenme tabanlı bulut sisteminin geliştirilmesi
Development of cloud system based on deep learning for thermal image resolution enhancement
FATİH MEHMET ŞENALP
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN