| Περίληψη: | Η ανάλυση είναι ένα από τα σημαντικότερα χαρακτηριστικά για την αποτίμηση της ποιότητας μιας εικόνας. Οι εικόνες υψηλής ανάλυσης είναι επιθυμητές στις περισσότερες περιπτώσεις καθώς περισσότερη λεπτομέρεια είναι εμφανής σε αυτές σε αντίθεση με τις
εικόνες χαμηλότερης ανάλυσης. Ωστόσο πολλές φορές το διαθέσιμο υλικό δεν επιτρέπει την λήψη εικόνων με την επιθυμητή ανάλυση. Για αυτό στοχεύουμε στην βελτίωση
της ανάλυσης εικόνων, μέσω λογισμικού, που αποσκοπεί στην μετατροπή μιας εικόνας
χαμηλής ανάλυσης σε υψηλής επιτρέποντας την καλύτερη ερμηνεία από τον άνθρωπο
ή μια μηχανή. Συγκεκριμένα γίνεται μελέτη και σύγκριση των μεθόδων συζευγμένης
(Coupled) και συγχωνευμένης (Joint) εκμάθησης λεξικού που αντιμετωπίζουν το πρόβλημα του super-resolution.
Οι παραπάνω μέθοδοι, βασιζόμενες στην μηχανική μάθηση, θεωρούν ότι σχέση που συνδέει της εικόνες χαμηλής και υψηλής ανάλυσης εκτιμάται από ένα διαθέσιμο σύνολο δε-
δομένων εκπαίδευσης. Γίνεται η υπόθεση ότι αυτή η σχέση περιγράφεται από τα λεξικά
αραιής αναπαράστασης. Στην παρούσα διπλωματική εξετάζονται τα βασικά προβλήματα
που συνδέονται με την αραιή κωδικοποίηση και την εκμάθηση λεξικών αραιής αναπαράστασης και οι αλγόριθμοι που χρησιμοποιούνται για την επίλυση τους.
Τέλος εστιάζουμε στο ίδιο πρόβλημα χρησιμοποιώντας κατανεμημένες τεχνικές μάθησης, δηλαδή το έργο της μάθησης διαμοιράζεται σε ένα δίκτυο κατανεμημένων υπολογιστικών μονάδων. Αυτό επιτρέπει την εκμάθηση του λεξικού χωρίς την ανταλλαγή
ευαίσθητων δεδομένων και διαφυλάσσοντας την ιδιωτικότητά τους και διαμοιράζει τους
υπολογιστικούς πόρους μεταξύ των διαφορετικών κόμβων του δικτύου. Γίνεται μελέτη
της μεθόδου adapt-align-combine και σύγκριση με την ιδανική κεντρικοποιημένη περίπτωση.
|
|---|
