Noslēguma darbu reģistrs
  
Studiju darba apraksts
Studiju veids maģistra akadēmiskās studijas
Studiju programmas nosaukums Intelektuālas robotizētas sistēmas
Nosaukums Dziļā mašīnmācīšanā balstītas metodes vairāku ekspozīciju attēlu savienošanai
Nosaukums angļu valodā Deep Learning Based Methods For Multiple Exposure Image Fusion
Struktūrvienība 33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte
Darba vadītājs Ēvalds Urtāns
Recenzents Dmitrijs Bļizņuks
Anotācija Šajā pētījumā tiek piedāvāts jauns vairāku ekspozīciju savienošanas mo- delis ColorMEF, kas ir balstīts transformeru arhitektūrā. Atšķirībā no ek- sistējošiem modeļiem, kas, lielākoties, darbojas tikai ar attēlu luminances datiem, ColorMEF aktīvi izmanto hromatisko krāsu informāciju attēlu sa- vienošanas procesā. Hromatisko krāsu izmantošana ļauj ColorMEF sasniegt labākus rezultātus par citiem modeļiem tādos rādītājos kā SSIM, DISTS, un VSI. Modelis tiek apmācīts no sākuma līdz beigām pašvirzītā veidā, op- timizējot MEF-SSIM funkciju, izmantojot ievades datus. Tiek arī piedāvāts jauns rādītājs FSMEF-SSIM, kas izmanto pilnos ievades datus, potenciāli sniedzot stabilāku apmācību ar vienmērīgākiem kvalitatīvajiem rezultātiem un mazāk defektiem.
Atslēgas vārdi Mašīnmācīšanās, vairāku ekspozīciju savienošana, attēlu transfor- meri, vadītā filtrēšana, hromatiskās krāsas
Atslēgas vārdi angļu valodā Machine learning, multiple exposure fusion, vision transformers, guided filtering, chromatic colors
Valoda lv
Gads 2024
Darba augšupielādes datums un laiks 05.01.2024 10:58:46