Zobrazit minimální záznam

Machine Learning Techniques for Efficient Image Quality Assessment



dc.contributor.advisorFliegel Karel
dc.contributor.authorJiří Šebek
dc.date.accessioned2020-06-10T13:57:54Z
dc.date.available2020-06-10T13:57:54Z
dc.date.issued2020-06-10
dc.identifierKOS-860412795205
dc.identifier.urihttp://hdl.handle.net/10467/87771
dc.description.abstractMultimediální 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.cze
dc.description.abstractMultimedia 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.eng
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA 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.htmleng
dc.rightsVysokoškolská 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.htmlcze
dc.subjecthluboké učenícze
dc.subjectneuronové sítěcze
dc.subjecthodnocení kvality obrazu bez referencecze
dc.subjectdeep learningeng
dc.subjectneural networkseng
dc.subjectno-reference image quality assessmenteng
dc.titleMetody strojového učení pro efektivní hodnocení kvality obrazucze
dc.titleMachine Learning Techniques for Efficient Image Quality Assessmenteng
dc.typediplomová prácecze
dc.typemaster thesiseng
dc.contributor.refereeKufa Jan
theses.degree.disciplineAudiovizuální technika a zpracování signálůcze
theses.degree.grantorkatedra radioelektronikycze
theses.degree.programmeElektronika a komunikacecze


Soubory tohoto záznamu







Tento záznam se objevuje v následujících kolekcích

Zobrazit minimální záznam