Metody strojového učení pro efektivní hodnocení kvality obrazu

Abstract

Multimediální technologie zažily rapidní rozvoj především díky transformaci trhu s mobilními telefony směrem k telefonům chytrým s velmi schopnými kamerami a růstu popularity streamovacích služeb. Spolu s masovou produkcí a sdílením fotografií a videí, pro zachování dobré uživatelské zkušenosti, roste potřeba robustní a univerzální metriky pro hodnocení kvality obrazu. Tradiční metriky s plnou referencí mají omezené možnosti použití a metriky bez reference představují nemalou výzvu. Tato situace se začíná měnit díky rozsáhlému výzkumu v oblasti hlubokého učení a neuronových sítí, umožněnému rozvojem a stále lepší dostupností výpočetní techniky. Tato práce pojednává o základních principech fungování neuronových sítí se zaměřením na konvoluční sítě, metody hodnocení kvality obrazu na nich založených, jak schopné jsou ve srovnání s nejmodernějšími plno-referenčními metrikami, jejich hlavní nedostatky a problémy a jak je možné je řešit. Praktická část práce obsahuje autorem vytvořenou neuronovou síť a její fungování s různými databázemi fotek. Práce také obsahuje srovnání této metody s tradičními.

Multimedia technology has experienced rapid growth mainly due to transformation of the mobile market towards smartphones with highly capable cameras and increasing popularity of streaming services. With the mass production and sharing of images and video, to maintain good user experience, a robust and universal quality assessment metric is required. Traditional full reference metrics has limited use and no reference metrics are very challenging. This has began to change due to extensive research of deep learning and neural networks, enabled by higher computation power and it's availability. This thesis discusses the basic principles of neural networks, especially convolutional, approaches to image quality assessment based on them, how they perform against state-of-the-art full reference metrics, what are the main challenges and how to tackle them. The practical part of this thesis contains author's approach to neural network and how it performs on various image databases. Thesis includes a comparison with traditional full reference metrics.