Методи масштабування зображень без втрати якості з використанням нейронних мереж
dc.contributor.advisor | Недашківська, Надія Іванівна | |
dc.contributor.author | Фоменко, Нікіта Андрійович | |
dc.date.accessioned | 2019-10-01T09:25:27Z | |
dc.date.available | 2019-10-01T09:25:27Z | |
dc.date.issued | 2019 | |
dc.description.abstracten | The 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.abstractuk | Дипломна 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.page | 149 с. | uk |
dc.identifier.citation | Фоменко, 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.uri | https://ela.kpi.ua/handle/123456789/29541 | |
dc.language.iso | uk | uk |
dc.publisher | КПІ ім. Ігоря Сікорського | uk |
dc.publisher.place | Київ | uk |
dc.subject | масштабування зображень | uk |
dc.subject | генеративно змагальні нейронні мережі | uk |
dc.subject | згорткові нейронні мережі | uk |
dc.subject | критерії якості масштабування | uk |
dc.subject | методи інтерполяції зображення | uk |
dc.subject | image scaling | uk |
dc.subject | generative adversarial networks | uk |
dc.subject | convolutional neural networks | uk |
dc.subject | criteria of image scaling quality | uk |
dc.subject | image interpolation methods | uk |
dc.title | Методи масштабування зображень без втрати якості з використанням нейронних мереж | uk |
dc.type | Bachelor Thesis | uk |
Файли
Контейнер файлів
1 - 1 з 1
Вантажиться...
- Назва:
- Fomenko_bakalavr.pdf
- Розмір:
- 7.29 MB
- Формат:
- Adobe Portable Document Format
- Опис:
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 8.98 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: