Ανακατασκευή εικόνας με βαθιά μάθηση

Χαβαλές, Γεώργιος; Chavales, Georgios

dc.contributor.author	Χαβαλές, Γεώργιος	el
dc.contributor.author	Chavales, Georgios	en
dc.date.accessioned	2022-12-16T11:26:21Z
dc.date.available	2022-12-16T11:26:21Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56486
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24184
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Μηχανική Μάθηση	el
dc.subject	Όραση Υπολογιστών	el
dc.subject	Συνελικτικό Νευρωνικό Δίκτυο	el
dc.subject	Image Inpainting	en
dc.subject	Partial Convolutional Layer	en
dc.title	Ανακατασκευή εικόνας με βαθιά μάθηση	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-09-22
heal.abstract	Η ανακατασκευή εικονών με περιοχές που λείπουν ανήκει στην κατηγορία προβλημάτων της όρασης υπολογιστών. Η λύση του προβλήματος πρέπει να γεμίζει τις περιοχές της εικόνας που λείπουν με πίξελ,έχοντας συνοχή με τις ήδη υπάρχοντες περιοχές και χωρίς να εισάγεται θόρυβος. Χάρη στην ραγδαία εξέλιξη της μηχανικής μάθησης και την συνεχή εφεύρεση νέων μοντέλων και συστημάτων, έχει σημειωθεί μεγάλη πρόοδος στην αντιμετώπιση του προβλήματος. Σύγχρονες μέθοδοι συνδυάζουν την χρήση συνελικτικών νευρωνικών δικτύων (CNN) με γεννητικά ανταγωνιστικά δίκτυα (GAN). Παρ’ολα αυτά, λόγω του συνυπολογισμού των μη έγκυρων περιοχών κατά την πράξη της συνέλιξης, συχνά παρατηρούνται ασυνέπειες στα τελικά αποτελέσματα, όπως χρωματική διαφορά,θολότητα και θόρυβος. Στην παρούσα διπλωματική εργασία προτείνουμε την χρήση μιας αρχιτεκτονικής,η οποία χρησιμοποιεί μερικές συνελίξεις. Αυτές κατά την πράξη της συνέλιξης λαμβάνουν υπ’όψην μόνο τα έγκυρα πίξελ της εικόνας και όχι τις περιοχές που λείπουν. Επιπλέον, όσο η είσοδος προχωράει βαθύτερα στο δίκτυο,ανανεώνεται αυτόματα και η μάσκα της εισόδου (οι κρυμμένες περιοχές). Το μοντέλο μας ονομάζεται PConv, εκπαιδεύεται στο σύνολο δεδομένων Places2 και όλες οι εικόνες έχουν διαστάσεις 512x512, δηλαδή είναι υψηλών διαστάσεων για την δυσκολία του προβλήματος. Στο τέλος,παραθέτουμε τα αποτελέσματα του δικτύου μας, τα οποία είναι εξαιρετικά τόσο ποιοτικά όσο και ποσοτικά.	el
heal.advisorName	Σιόλας, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης Ανδρέας-Γεώργιος,	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Κόλιας, Στέφανος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	58 σ.	el
heal.fullTextAvailability	false