Κατανεμημένες τεχνικές εκμάθησης λεξικού και αραιής κωδικοποίησης και εφαρμογή σε βελτίωση της ανάλυσης εικόνων
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...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/15002 |
| id |
nemertes-10889-15002 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-150022022-09-05T14:07:01Z Κατανεμημένες τεχνικές εκμάθησης λεξικού και αραιής κωδικοποίησης και εφαρμογή σε βελτίωση της ανάλυσης εικόνων Image Super-Resolution via distributed dictionary learning and sparse coding techniques Σαρτίνας, Σωφρόνιος Sartinas, Sofronios Εκμάθηση λεξικού Κατανεμημένη μάθηση Ψηφιακή επεξεργασία εικόνας Αύξηση ανάλυσης εικόνας Λεξικά αραιής αναπαράστασης Dictionary learning Distributed learning Digital image processing Super-Resolution Sparse coding 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. Analysis is an important attribute in evaluating the quality of an image. High resolution images are desirable in most cases as more detail is visible in them as opposed to lower resolution images. However, in most cases, the available hardware cannot capture images with the desired resolution. That’s why we aim to improve image resolution, through software, which aims to convert a low-resolution image to a high one, allowing better interpretation by humans or machines. Specifically, the methods of Coupled and Joint dictionary learning that deal with the problem of super-resolution are studied and compared. The above methods, based on machine learning, consider that the relationship between low and high resolution images is estimated from an available set of training data. It is assumed that this relationship is described by dictionaries of sparse representations. This thesis presents the basic problems associated with sparse coding and sparse dictionary learning and examines the algorithms used to solve these problems. Finally, we focus on the same problem using distributed learning techniques, where the learning task is shared on a network of distributed computing units. This allows the dictionary to be learned without exchanging sensitive data and preserving their privacy while sharing resources between different network nodes. The adapt-align-combine method is studied and compared with the ideal centralized case. 2021-07-13T09:17:40Z 2021-07-13T09:17:40Z 2021-07-09 http://hdl.handle.net/10889/15002 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Εκμάθηση λεξικού Κατανεμημένη μάθηση Ψηφιακή επεξεργασία εικόνας Αύξηση ανάλυσης εικόνας Λεξικά αραιής αναπαράστασης Dictionary learning Distributed learning Digital image processing Super-Resolution Sparse coding |
| spellingShingle |
Εκμάθηση λεξικού Κατανεμημένη μάθηση Ψηφιακή επεξεργασία εικόνας Αύξηση ανάλυσης εικόνας Λεξικά αραιής αναπαράστασης Dictionary learning Distributed learning Digital image processing Super-Resolution Sparse coding Σαρτίνας, Σωφρόνιος Κατανεμημένες τεχνικές εκμάθησης λεξικού και αραιής κωδικοποίησης και εφαρμογή σε βελτίωση της ανάλυσης εικόνων |
| description |
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. |
| author2 |
Sartinas, Sofronios |
| author_facet |
Sartinas, Sofronios Σαρτίνας, Σωφρόνιος |
| author |
Σαρτίνας, Σωφρόνιος |
| author_sort |
Σαρτίνας, Σωφρόνιος |
| title |
Κατανεμημένες τεχνικές εκμάθησης λεξικού και αραιής κωδικοποίησης και εφαρμογή σε βελτίωση της ανάλυσης εικόνων |
| title_short |
Κατανεμημένες τεχνικές εκμάθησης λεξικού και αραιής κωδικοποίησης και εφαρμογή σε βελτίωση της ανάλυσης εικόνων |
| title_full |
Κατανεμημένες τεχνικές εκμάθησης λεξικού και αραιής κωδικοποίησης και εφαρμογή σε βελτίωση της ανάλυσης εικόνων |
| title_fullStr |
Κατανεμημένες τεχνικές εκμάθησης λεξικού και αραιής κωδικοποίησης και εφαρμογή σε βελτίωση της ανάλυσης εικόνων |
| title_full_unstemmed |
Κατανεμημένες τεχνικές εκμάθησης λεξικού και αραιής κωδικοποίησης και εφαρμογή σε βελτίωση της ανάλυσης εικόνων |
| title_sort |
κατανεμημένες τεχνικές εκμάθησης λεξικού και αραιής κωδικοποίησης και εφαρμογή σε βελτίωση της ανάλυσης εικόνων |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/15002 |
| work_keys_str_mv |
AT sartinassōphronios katanemēmenestechnikesekmathēsēslexikoukaiaraiēskōdikopoiēsēskaiepharmogēsebeltiōsētēsanalysēseikonōn AT sartinassōphronios imagesuperresolutionviadistributeddictionarylearningandsparsecodingtechniques |
| _version_ |
1771297231286042624 |
