Методи масштабування зображень без втрати якості з використанням нейронних мереж

Скорочена інформація про документ
dc.contributor.advisorНедашківська, Надія Іванівна
dc.contributor.authorФоменко, Нікіта Андрійович
dc.date.accessioned2019-10-01T09:25:27Z
dc.date.available2019-10-01T09:25:27Z
dc.date.issued2019
dc.description.abstractenThe work consists of 149 pages, 55 images, 9 tables, 2 appendices, 15 sources.The SRGAN is a Generative Adversarial Neural Network for Image Scaling discussed in this paper. This is one of the very first frameworks used to scale-up images up to 4 times, with almost no loss of quality. For this purpose, a perceptive function of losses was proposed. A comparison was also made with other scaling methods, such as bilinear and bicubic interpolation, the Lanczos method, and the nearest neighbor method. Object of research: small image, low resolution image. Subject of research: methods of neural networks, interpolation to scale-up the image and improve their resolution. Objective: to explore models of neural networks to improve the quality of images with low resolution. Research methods: numerous comparative experiments implemented using Python programming language and Tensorflow library.uk
dc.description.abstractukДипломна робота: 149 с., 55 рис., 9 табл., 2 дод., 15 джерел. В цій роботі розглядається SRGAN – генеративно змагальна нейронна мережа для масштабування зображень. Це один з найперших фреймворків, що використовується на збільшення зображень у 4 рази, при цьому майже без втрат якості. Для цього було запропоновано перцептивну функцію втрат. Також було проведе порівняння з іншими методами масштабування, такими як білінійна та бікубічна інтерполяції, метод Ланцоша та метод найближчого сусіда. Об’єкт дослідження: зображення малого розміру, зображення з низькою роздільною здатністю. Предмет дослідження: методи нейронних мереж, інтерполяційні для збільшення зображення та покращення їх роздільної здатності. Мета роботи: дослідити моделі нейронних мереж для покращення якості зображення з малою роздільною здатністю. Методи дослідження: чисельні експерименти з порівнянням результатів, що імплементовані за допомогою мови програмування Python та бібліотеки Tensorflow.uk
dc.format.page149 с.uk
dc.identifier.citationФоменко, Н. А. Методи масштабування зображень без втрати якості з використанням нейронних мереж : дипломна робота … бакалавра : 6.050101 Комп'ютерні науки / Фоменко Нікіта Андрійович. – Київ, 2019. – 149 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/29541
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectмасштабування зображеньuk
dc.subjectгенеративно змагальні нейронні мережіuk
dc.subjectзгорткові нейронні мережіuk
dc.subjectкритерії якості масштабуванняuk
dc.subjectметоди інтерполяції зображенняuk
dc.subjectimage scalinguk
dc.subjectgenerative adversarial networksuk
dc.subjectconvolutional neural networksuk
dc.subjectcriteria of image scaling qualityuk
dc.subjectimage interpolation methodsuk
dc.titleМетоди масштабування зображень без втрати якості з використанням нейронних мережuk
dc.typeBachelor Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Fomenko_bakalavr.pdf
Розмір:
7.29 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи