Hluboké neuronové sítě pro sešívání obrázků

Abstract

Sešívání obrázků je široce používanou technikou v různých oblastech. V posledních letech tuto oblast významně ovlivnil vývoj hlubokých neuronových sítí, které zavedly nové přístupy, jež v mnoha ohledech překonávají konvenční metody. Tato práce zkoumá jak tradiční strategie, tak strategie založené na hlubokém učení pro sešívání obrazu. Za účelem experimentování byla vyvinuta konfigurovatelná a modulární pipeline pro sešívání obrazu. Pro dosažení větší robustnosti byla vytvořena vlastní datová sada obsahující náročné prvky, jako je déšť, sníh, slabé osvětlení a překážky v objektivu, což jsou faktory, které ve existujících datových sadách často chybí. Kromě toho byl na navržené datové sadě dotrénován špičkový model hlubokého učení AdaMatcher, aby se zvýšil jeho výkon v obtížných podmínkách. Nakonec byly provedeny četné kvantitativní a kvalitativní experimenty s cílem vyhodnotit různé techniky a určit nejvhodnější konfiguraci pro navrhovanou soustavu. Na základě výsledků experimentů a empirických pozorování byla jako finální konfigurace zvolena kombinace dotrénovaného AdaMatcheru pro shodu příznaků a kompozičního modulu UDIS++.Image stitching is a widely used technique across numerous fields. In recent years, the development of deep neural networks has significantly influenced this area by introducing new approaches that outperform conventional methods in many aspects. This thesis examines both traditional and deep learning-based strategies for image stitching. To support experimentation, a configurable and modular image stitching pipeline was developed. To accomplish greater robustness, a custom dataset was created, containing challenging elements such as rain, snow, low-light conditions, and lens obstructions, which are the factors often missing from existing datasets. Furthermore, the state-of-the-art deep learning model AdaMatcher was fine-tuned on the proposed dataset to enhance its performance under adverse conditions. Finally, numerous quantitative and qualitative experiments were carried out to evaluate different techniques and determine the most suitable configuration for the proposed pipeline. Based on the results of the experiments and empirical observations, the combination of the fine-tuned AdaMatcher for feature matching and the UDIS++ composition module was selected as the final configuration.