Hodnocení účinnosti kompresních metod obrazu založených na učení

Abstract

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.