Βελτιστοποίηση εικόνων χαμηλού φωτισμού με χρήση μεθόδων μηχανικής μάθησης
| dc.contributor.author | Μαστραπάς, Ελευθέριος | el |
| dc.date.accessioned | 2022-11-01T08:41:34Z | |
| dc.date.available | 2022-11-01T08:41:34Z | |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/32078 | |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.11890 | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Φωτισμός | el |
| dc.subject | Μηχανική μάθηση | el |
| dc.title | Βελτιστοποίηση εικόνων χαμηλού φωτισμού με χρήση μεθόδων μηχανικής μάθησης | el |
| heal.abstract | Η μηχανική όραση αποτελεί ένα ραγδαίως αναπτυσσόμενο πεδίο, λόγω της αλματώδους εξέλιξης της τεχνητής νοημοσύνης και της βαθιάς μάθησης. Τα τεχνητά νευρωνικά δίκτυα και συγκεκριμένα τα δίκτυα βαθιάς μάθησης βοήθησαν στην ανάπτυξη εφαρμογών μηχανικής όρασης, όπως είναι η αναγνώριση αντικειμένων. Η αναγνώριση αντικειμένων σε εικόνες χαμηλού φωτισμού αποτελεί μία από τις μεγαλύτερες προκλήσεις της μηχανικής όρασης και έχει συγκεντρώσει έντονο ερευνητικό ενδιαφέρον. Η χρήση ενός ανιχνευτή αντικειμένων, σε εικόνες χαμηλού φωτισμού, μπορεί να οδηγήσει σε δυσάρεστα αποτελέσματα. Στην παρούσα εργασία περιγράφουμε τον τρόπο με τον οποίο τα συνελικτικά νευρωνικά δίκτυα πετυχαίνουν την ενίσχυση εικόνων χαμηλού φωτισμού που περιέχονται στο ExDark σετ δεδομένων και λύνουν το πρόβλημα της αναγνώρισης των αντικειμένων που υπάρχουν σε αυτές. Επίσης, έχει πραγματοποιηθεί εκτεταμένη βιβλιογραφική ανασκόπηση του τρόπου λειτουργίας της μεθόδου Kind και του αλγορίθμου YOLO, που χρησιμοποιούνται για ενίσχυση εικόνων και αναγνώριση αντικειμένων αντίστοιχα. Τέλος, παρουσιάζουμε την αποτελεσματικότητα του αλγορίθμου YOLO σε εικόνες χαμηλού φωτισμού, οι οποίες έχουν ενισχυθεί με χρήση της μεθόδου KinD. | el |
| heal.abstract | Computer vision is a rapidly growing field due to the leaps and bounds of artificial intelligence and deep learning. Artificial neural networks and specifically deep learning networks have helped develop computer vision applications such as object detection. Object detection in low-light images is one of the biggest challenges in computer vision and has gathered intense research interest. Using an object detector, in low-light images, can lead to unpleasant results. In this work, we describe how convolutional neural networks achieve the enhancement of low-light images contained in the ExDark dataset and solve the problem of recognizing the objects present in them. Also, an extensive literature review has been performed on the workings of the Kind method and the YOLO algorithm, which are used for image enhancement and object detection respectively. Finally, we demonstrate the effectiveness of the YOLO algorithm on low-light images, which have been enhanced using the KinD method. | en |
| heal.academicPublisher | Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.academicPublisherID | uoi | |
| heal.access | free | |
| heal.advisorName | Καρβέλης, Πέτρος | |
| heal.bibliographicCitation | Μαστραπά, Ε., 2022.Βελτιστοποίηση εικόνων χαμηλού φωτισμού με χρήση μεθόδων μηχανικής μάθησης. Μεταπτυχιακή εργασία. Άρτα: Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής & Τηλεπικοινωνιών. Τμήμα Πληροφορικής & Τηλεπικοινωνιών | el |
| heal.classification | Εικονική πραγματικότητα | |
| heal.classification | Μηχανική μάθηση | |
| heal.committeeMemberName | Στύλιος, Χρυσόστομος | el |
| heal.dateAvailable | 2022-11-01T08:42:34Z | |
| heal.fullTextAvailability | true | |
| heal.generalDescription | Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.identifier.secondary | Μεταπτυχιακή εργασία | |
| heal.language | el | |
| heal.publicationDate | 2022 | |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών. | el |
| heal.type | masterThesis | |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.type.en | Master thesis | en |