New methods for recognizing blurred images
Nové metody pro rozpoznávání rozmazaných obrazů
dizertační práce (OBHÁJENO)
![Náhled dokumentu](/bitstream/handle/20.500.11956/189922/thumbnail.png?sequence=9&isAllowed=y)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/189922Identifikátory
SIS: 164369
Kolekce
- Kvalifikační práce [10926]
Autor
Vedoucí práce
Oponent práce
Chung, Julianne
Chum, Ondřej
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Informatika - Vizuální výpočty a počítačové hry
Katedra / ústav / klinika (externí)
Informace není k dispozici
Datum obhajoby
31. 5. 2024
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Angličtina
Známka
Prospěl/a
Klíčová slova (česky)
Rozmazání|Zpracování obrazu|Invarianty vůči rozmazání|počítačové vidění|hluboké učeníKlíčová slova (anglicky)
Blur|Digital Image Processing|Blur Invariants|Computer Vision|Deep LearningRozmazání patří mezi nejčastější degradace vznikající při pořizování digitálních obrazů. Pro účely strojového vidění, rozmazání významně snižuje rozpoznávací shopnosti a přes- nost klasifikace. Klasické metody se s rozmazáním typicky vypořádávají trojím způ- sobem - rekonstrukcí, invariantním popisem obrazu nebo invariantní metrikou. Hluboké učení řeší problém kvality vstupních dat povětšinou rozšířením trénovací množiny. Tato práce pokrývá tři ze čtyř zmíněných oblastí - rozšiřuje a zobecňuje momentové invarianty, představuje novou metriku invariantní vůči rozmazání a navrhuje novu architekturu neu- ronových sítí, která je invariantní vzhledem k různým degradacím a eliminuje nutnost expandovat trénovací množinu. 1
Blur is among the most common degradations encountered in image acquisition. In computer vision tasks, it greatly reduces the success rate of any recognition method. In the handcrafted methods space blur is mostly handled by restoration - via deblurring, blur-invariant descriptors or blur invariant distances. In deep learning, degradations are almost exclusively dealt with by augmenting the training dataset. This doctoral Thesis covers three out of the four areas - it expands and generalize moment-based blur invariants, introduces new blur invariant measure and proposes a novel convolutional network architecture which is invariant to degradations alleviating the need for dataset augmentation. 1