📄Работа №210981
Тема: Разработка приложения повышения разрешения изображений с использованием нейросетевых технологий
Тип работы
Дипломные работы, ВКР
Предмет
программирование
Объем:
70 листов
Год:
2021
Просмотров:
73
4600
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 5
1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ 7
1.1. Описание предметной области 7
1.2. Обзор программных налогов 9
1.3. Обзор существующих решений 12
1.4. Обзор библиотек для создания нейронных сетей 18
2. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 19
2.1. Сверточные нейронные сети 19
2.2. Генеративно-состязательные сети 21
2.3. Методы повышения разрешения 22
2.4. Метрики качества 24
3. ПРОЕКТИРОВАНИЕ 27
3.1. Требования к системе 27
3.2. Варианты использования системы 27
3.3. Диаграмма компонентов 29
3.4. Графический интерфейс пользователя 30
4. РЕАЛИЗАЦИЯ 32
4.1. Программные средства реализации 32
4.2. Формирование обучающей и тестовой выборок 32
4.3. Топология генератора и его функция потерь 34
4.4. Топология дискриминатора и его функция потерь 37
4.5. Обучение нейронной сети 42
4.6. Реализация приложения 47
4.7. Реализация пользовательского интерфейса 48
5. ТЕСТИРОВАНИЕ 51
5.1. Сравнение обученной нейронной сети 51
5.2. Функциональное тестирование приложения 61
ЗАКЛЮЧЕНИЕ 63
ЛИТЕРАТУРА 64
1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ 7
1.1. Описание предметной области 7
1.2. Обзор программных налогов 9
1.3. Обзор существующих решений 12
1.4. Обзор библиотек для создания нейронных сетей 18
2. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 19
2.1. Сверточные нейронные сети 19
2.2. Генеративно-состязательные сети 21
2.3. Методы повышения разрешения 22
2.4. Метрики качества 24
3. ПРОЕКТИРОВАНИЕ 27
3.1. Требования к системе 27
3.2. Варианты использования системы 27
3.3. Диаграмма компонентов 29
3.4. Графический интерфейс пользователя 30
4. РЕАЛИЗАЦИЯ 32
4.1. Программные средства реализации 32
4.2. Формирование обучающей и тестовой выборок 32
4.3. Топология генератора и его функция потерь 34
4.4. Топология дискриминатора и его функция потерь 37
4.5. Обучение нейронной сети 42
4.6. Реализация приложения 47
4.7. Реализация пользовательского интерфейса 48
5. ТЕСТИРОВАНИЕ 51
5.1. Сравнение обученной нейронной сети 51
5.2. Функциональное тестирование приложения 61
ЗАКЛЮЧЕНИЕ 63
ЛИТЕРАТУРА 64
📖 Введение
Актуальность
Сверхвысокое разрешение для одного изображения (англ. Single Image SuperResolution, SISR) представляет собой задачу восстановления изображения с высоким разрешением из изображения с низким разрешением, и является классической проблемой компьютерного зрения [1]. Задача SISR находит широкое применение в различных сферах, например, в медицинской визуализации [2, 3], наблюдении и безопасности [4]. Также помимо улучшения визуального качества изображения, она может способствовать другим задачам компьютерного зрения [5, 6].
В последнее время для решения проблемы SISR было предложено множество методов, основанных на глубоком обучении, которые продемонстрировали большое превосходство над остальными методами [7, 8]. В том числе победителями наиболее крупных соревнований по SISR таких как Advances in Image Manipulation (AIM) [9], New Trends in Image Restoration (NTIRE) [10] являются методы на основе глубоко обучения.
Таким образом разработка приложения для решения задачи SISR при помощи методов, основанных на глубоком обучении, является актуальной.
Постановка задачи
Целью выпускной квалификационной работы является разработка приложения повышения разрешения изображений с использованием нейросетевых технологий. Для достижения поставленной цели необходимо решить следующие задачи:
1) провести анализ предметной области и существующих работ;
2) обучить нейронную сеть;
3) выполнить проектирование приложения;
4) выполнить реализацию приложения;
5) провести тестирование приложения.
Структура и содержание работы
Работа состоит из введения, пяти глав, заключения и списка литературы. Объем работы составляет 70 страниц, объем списка литературы - 63 источника.
В первой главе приводится описание предметной области, проводится обзор программных аналогов и существующих решений поставленной задачи, а также обзор библиотек для создания нейронных сетей.
Во второй главе приводится описание сверточных и генеративно-состязательных нейронных сетей, методы повышения разрешения изображений и метрики качества, используемые в задаче SISR.
В третьей главе приведены функциональные и нефункциональные требования к системе, диаграмма вариантов использования, диаграмма компонентов, макет графического интерфейса приложения.
В четвертой главе содержится описание программных средств реализации, описание процесса формирования обучающей и тестовой выборок, описание топологий генератора и дискриминатора и их функции потерь, описание процесса обучения нейронной сети, описание реализованного приложения и пользовательского интерфейса.
В пятой главе приведены результаты сравнения нейронной сети с существующими решениями и результаты функционального тестирования приложения.
В заключении приводятся основные результаты работы и рассматриваются дальнейшие пути развития созданного приложения.
Сверхвысокое разрешение для одного изображения (англ. Single Image SuperResolution, SISR) представляет собой задачу восстановления изображения с высоким разрешением из изображения с низким разрешением, и является классической проблемой компьютерного зрения [1]. Задача SISR находит широкое применение в различных сферах, например, в медицинской визуализации [2, 3], наблюдении и безопасности [4]. Также помимо улучшения визуального качества изображения, она может способствовать другим задачам компьютерного зрения [5, 6].
В последнее время для решения проблемы SISR было предложено множество методов, основанных на глубоком обучении, которые продемонстрировали большое превосходство над остальными методами [7, 8]. В том числе победителями наиболее крупных соревнований по SISR таких как Advances in Image Manipulation (AIM) [9], New Trends in Image Restoration (NTIRE) [10] являются методы на основе глубоко обучения.
Таким образом разработка приложения для решения задачи SISR при помощи методов, основанных на глубоком обучении, является актуальной.
Постановка задачи
Целью выпускной квалификационной работы является разработка приложения повышения разрешения изображений с использованием нейросетевых технологий. Для достижения поставленной цели необходимо решить следующие задачи:
1) провести анализ предметной области и существующих работ;
2) обучить нейронную сеть;
3) выполнить проектирование приложения;
4) выполнить реализацию приложения;
5) провести тестирование приложения.
Структура и содержание работы
Работа состоит из введения, пяти глав, заключения и списка литературы. Объем работы составляет 70 страниц, объем списка литературы - 63 источника.
В первой главе приводится описание предметной области, проводится обзор программных аналогов и существующих решений поставленной задачи, а также обзор библиотек для создания нейронных сетей.
Во второй главе приводится описание сверточных и генеративно-состязательных нейронных сетей, методы повышения разрешения изображений и метрики качества, используемые в задаче SISR.
В третьей главе приведены функциональные и нефункциональные требования к системе, диаграмма вариантов использования, диаграмма компонентов, макет графического интерфейса приложения.
В четвертой главе содержится описание программных средств реализации, описание процесса формирования обучающей и тестовой выборок, описание топологий генератора и дискриминатора и их функции потерь, описание процесса обучения нейронной сети, описание реализованного приложения и пользовательского интерфейса.
В пятой главе приведены результаты сравнения нейронной сети с существующими решениями и результаты функционального тестирования приложения.
В заключении приводятся основные результаты работы и рассматриваются дальнейшие пути развития созданного приложения.
✅ Заключение
В ходе выполнения выпускной квалификационной работы было разработано приложение повышения разрешения изображений с использованием нейросетевых технологий.
При этом были решены следующие задачи:
1) проведен анализ предметной области и существующих работ;
2) обучена нейронная сеть;
3) выполнено проектирование приложения;
4) выполнена реализация приложения;
5) проведено тестирование приложения.
Дальнейшая работа будет направлена на оптимизацию генератора посредством квантизации его весов или же заменой существующей архитектуры на другую более легковесную. Повышение робастности на изображениях подверженных деградацией различными ядрами размытия, а также имеющих шум и артефакты сжатия JPEG. Добавление возможности увеличения разрешения изображения больше чем в четыре раза при помощи нейронной сети.
При этом были решены следующие задачи:
1) проведен анализ предметной области и существующих работ;
2) обучена нейронная сеть;
3) выполнено проектирование приложения;
4) выполнена реализация приложения;
5) проведено тестирование приложения.
Дальнейшая работа будет направлена на оптимизацию генератора посредством квантизации его весов или же заменой существующей архитектуры на другую более легковесную. Повышение робастности на изображениях подверженных деградацией различными ядрами размытия, а также имеющих шум и артефакты сжатия JPEG. Добавление возможности увеличения разрешения изображения больше чем в четыре раза при помощи нейронной сети.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.