| Περίληψη: | 'Eχουμε πλέον εισέλθει στην ψηφιακή εποχή. Η νέα έκρηξη περιεχομένου από τα μέσα ενημέρωσης, των κοινωνικών πλατφόρμων και των πλατφόρμων ζωντανής συνεχούς μετάδοσης, έχουν καταστήσει τον τομέα της συμπίεσης εικόνας κρίσιμο προς μελέτη. Η πρόκληση έγκειται στην προ σπάθεια εξισορρόπησης του μεγέθους των αρχείων και της ποιότητας της μεταδιδόμενης εικόνας. Ενώ οι παραδοσιακές τεχνικές, όπως το JPEG, έχουν αποτελέσει τα θεμέλια στην συμπίεση της εικόνας, η εμφάνιση της Τεχνητής Νοημοσύνης (ΤΝ), και συγκεκριμένα της Βαθιάς Μάθησης, έχει εισάγει μια νέα διάσταση στον συγκεκριμένο τομέα. Στην παρούσα διπλωματική παρουσιάζεται το ευρύ φάσμα εφαρμογών της Τεχνητής Νοημοσύνης και κατόπιν ακολουθεί ανασκόπηση των πρόσφατων εξελίξεων στη συμπίεση εικόνας με βάση τη Βαθιά Μάθηση. Παρουσιάζονται ωστόσο πρώτα οι κλασσικές μέθοδοι συμπίεσης, ενώ τονίζεται η σημασία των πλέον καθιερωμένων κωδικοποιητών όπως το πρότυπο JPEG, όπου παρά την εμφάνιση νεότερων μεθόδων, συνεχίζουν να χρησιμοποιούνται ευρέως και να χρησιμεύουν ως σημεία αναφοράς βάσει των οποίων αξιολογούνται όλοι οι νέοι αλγόριθμοι συμπίεσης. Παρουσιάζεται μια λεπτομερής εξέταση των διαφόρων τύπων νευρωνικών δικτύων, με έμφαση στην αρχιτεκτονική, τη λειτουργικότητα και τις δυνατότητές τους στην επεξεργασία εικόνας και τη συμπίεση. Τέλος, κατασκευάζεται το προτεινόμενο μοντέλο συμπίεσης εικόνας και συγκρίνεται με καθιερωμένες λύσεις. Ενώ τα αποτελέσματα αναδεικνύουν τις δυνατότητες της βαθιάς μάθησης στη συμπίεση εικόνας, υπογραμμίζουν επίσης την λειτουργικότητα των παραδοσιακών τεχνικών. Η διπλωματική ανοίγει το δρόμο για μελλοντική διερεύνηση, η οποία θα περιλαμβάνει μια εις βάθος μελέτη διαφορετικών μοντέλων νευρωνικών δικτύων και μια προσπάθεια τελειοποίησης της παρουσιαζόμενης μεθόδου. Τα ευρήματα επιβεβαιώνουν τις δυνατότητες της τεχνητής νοημοσύνης στη διαμόρφωση του μέλλοντος της συμπίεσης εικόνας και την ανάγκη περαιτέρω βελτίωσης για την πλήρη αξιοποίηση των δυνατοτήτων της.
|
|---|
