Odstraňování šumu v obraze pomocí metod hlubokého učení

Simple item page
but.committeedoc. Ing. Jana Kolářová, Ph.D. (předseda) Ing. Roman Jakubíček, Ph.D. (místopředseda) Ing. Vratislav Čmiel, Ph.D. (člen) Ing. Vratislav Harabiš, Ph.D. (člen) MUDr. Zuzana Nováková, Ph.D. (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Ing. Harabiš sa dotázal na typ šumu v datasete; vhodnosť zovšeobecnenia algoritmu súčasne na iné typy šumu; uviedol poznámky k obrázku a citáciam. Doc. Kolářová sa dotázala na vysvetlenie grafu uvedeného v práci. Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta.cs
but.jazykčeština (Czech)
but.programBiomedicínské inženýrství a bioinformatikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorVičar, Tomášcs
dc.contributor.authorStrejček, Jakubcs
dc.contributor.refereeJakubíček, Romancs
dc.date.created2021cs
dc.description.abstractTato práce se zabývá srovnáním metod odstranění šumu pomocí hlubokého učení a jejich implementací. V posledních letech se ukázalo, že k trénování konvolučních neuronových sítí není nutně potřeba mít párová data, tedy zašuměné a bezšumové obrázky, ale pro některé aplikace stačí pro odstranění šumu pouze ty zašuměné. Metodami uvedenými v této práci lze účinně odstranit např. aditivní Gaussovský šum a lze dosáhnout lepších výsledků než užitím některých statistických metod, které se pro odstranění šumu aktuálně používají.cs
dc.description.abstractThis thesis focuses on comparing methods of denoising by deep learning and their implementation. In the last few years, it has become clear that it is not necessary to have paired data, as for noisy and clean pictures, to train convolution neural networks but it is sufficient to have only noisy pictures for denoising in particular cases. By using methods described in this thesis it is possible to effectively remove i.e. additive Gaussian noise and what more, it is possible to achieve better results than by using statistic methods, which are being used for denoising these days.en
dc.description.markBcs
dc.identifier.citationSTREJČEK, J. Odstraňování šumu v obraze pomocí metod hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.cs
dc.identifier.other134418cs
dc.identifier.urihttp://hdl.handle.net/11012/197110
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectHluboké učenícs
dc.subjectkonvoluční neuronové sítěcs
dc.subjectodstranění šumucs
dc.subjectGaussovský šumcs
dc.subjectDeep learningen
dc.subjectconvolution neural networksen
dc.subjectdenoisingen
dc.subjectGaussian noiseen
dc.titleOdstraňování šumu v obraze pomocí metod hlubokého učenícs
dc.title.alternativeRemoving noise in images using deep learning methodsen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2021-06-10cs
dcterms.modified2021-06-10-13:53:46cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid134418en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:28:45en
sync.item.modts2025.01.17 11:09:13en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrstvícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
4.35 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
547.73 KB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_134418.html
Size:
7.74 KB
Format:
Hypertext Markup Language
Description:
file review_134418.html
Download
Collections
2021