Hodnocení účinnosti kompresních metod obrazu založených na učení
Performance Evaluation of Learning-based Image Compression Techniques
Typ dokumentu
diplomová prácemaster thesis
Autor
Jan Ošťádal
Vedoucí práce
Fliegel Karel
Oponent práce
Polák Ladislav
Studijní obor
Audiovizuální technika a zpracování signálůStudijní program
Elektronika a komunikaceInstituce přidělující hodnost
katedra radioelektronikyObhájeno
2023-02-08Práva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Tato diplomová práce se zabývá obrazovou kompresí a jak kompresní algoritmy ovlivňují detekci obličejů s ohledem na rozdíly mezi tradičními algoritmy a algoritmy založenými na strojovém učení. V prvé řadě je podán přehled standardizačních procesů iniciativy JPEG AI. Poté jsou popsány algoritmy používané v kompresy a při detekci obličejů se stručným úvodem do hodnocení kvality obrázků Pro experiment bylo zvoleno 5 tradičních kompresních algoritmů a 2 strojově učené. MTCNN a RetinaFace byly identifikovány jako vhodné algoritmy pro detekci obličejů. Jako vstupní data posloužily obrázky vybrané z databáze WiderFace. Účinnost kompresních algoritmů byla zhodnocena pomocí objektivních metrik kvality. Práce je uzavřena popisem toho, které metriky jsou spolehlivým indicátorem kvality detekce a které algoritmy jsou vhodné pro různé úlohy. This master thesis focuses on image compression and how compression artifacts affect face detection task with respect to differences between traditional algorithms and algorithms based on machine learning. Firstly an overview of a standardization process of JPEG AI initiative is provided. Then the algorithms for compression and for face detection are described, with a brief introduction to image quality assessment. For the experiment 5 traditional compression algorithms and 2 machine learning models were selected for compression task. MTCNN and RetinaFace detectors were identified as suitable algorithms for face detection task. As an input data served images that were picked form WiderFace dataset. The performance of the compression algorithms is evaluated with objective quality metrics. The thesis concludes with the description of which metrics are a reliable indicator of detection quality and which algorithms are suitable for different tasks.
Kolekce
- Diplomové práce - 13137 [250]