Συμπίεση εικόνας με τεχνικές βαθιάς μάθησης
'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 μεγ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/25451 |
| id |
nemertes-10889-25451 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-254512023-07-11T03:59:26Z Συμπίεση εικόνας με τεχνικές βαθιάς μάθησης Image compression based on deep learning models Τσουδερός, Γεώργιος Tsouderos, Georgios Βαθιά μάθηση Συνελικτικά δίκτυα Συμπίεση εικόνας Deep learning Convolutional neural networks Image compression '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. We are currently living in the digital age. The new explosion of content from social media platforms and live streaming platforms have made the image compression field critical to study. The challenge lies in trying to balance the size and the quality of the transmitted image. While traditional techniques, such as JPEG, have been the foundation in image compression, the emergence of Artificial Intelligence (AI), specifically Deep Learning, has introduced a new dimension in this area. In this thesis, the wide range of applications of AI is presented, followed by a review of the recent developments in Deep Learning based image compression. However, classical compression methods are presented first, while the importance of the well established encoders such as the JPEG standard is emphasized, where despite the emergence of newer methods, they continue to be widely used and serve as benchmarks against which all new compression algorithms are evaluated. A detailed examination of the different types of neural networks is presented, focusing on their architecture, functionality and potential in image processing and compression. Finally, the proposed image compression model is constructed and compared with the established compression models. While the results highlight the potential of deep learning in image compression, they also underline the robustness of traditional techniques. The thesis paves the way for future exploration, which will include an in-depth study of different neural network models and an attempt to refine the presented method. The findings confirm the potential of artificial intelligence in shaping the future of image compression and the need for further improvement to fully exploit its potential. 2023-07-10T04:58:20Z 2023-07-10T04:58:20Z 2023-07-07 https://hdl.handle.net/10889/25451 el application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Βαθιά μάθηση Συνελικτικά δίκτυα Συμπίεση εικόνας Deep learning Convolutional neural networks Image compression |
| spellingShingle |
Βαθιά μάθηση Συνελικτικά δίκτυα Συμπίεση εικόνας Deep learning Convolutional neural networks Image compression Τσουδερός, Γεώργιος Συμπίεση εικόνας με τεχνικές βαθιάς μάθησης |
| description |
'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. |
| author2 |
Tsouderos, Georgios |
| author_facet |
Tsouderos, Georgios Τσουδερός, Γεώργιος |
| author |
Τσουδερός, Γεώργιος |
| author_sort |
Τσουδερός, Γεώργιος |
| title |
Συμπίεση εικόνας με τεχνικές βαθιάς μάθησης |
| title_short |
Συμπίεση εικόνας με τεχνικές βαθιάς μάθησης |
| title_full |
Συμπίεση εικόνας με τεχνικές βαθιάς μάθησης |
| title_fullStr |
Συμπίεση εικόνας με τεχνικές βαθιάς μάθησης |
| title_full_unstemmed |
Συμπίεση εικόνας με τεχνικές βαθιάς μάθησης |
| title_sort |
συμπίεση εικόνας με τεχνικές βαθιάς μάθησης |
| publishDate |
2023 |
| url |
https://hdl.handle.net/10889/25451 |
| work_keys_str_mv |
AT tsouderosgeōrgios sympiesēeikonasmetechnikesbathiasmathēsēs AT tsouderosgeōrgios imagecompressionbasedondeeplearningmodels |
| _version_ |
1771297313053999104 |
