Komprese 360° obrazu založená na hlubokém učení
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Táto diplomová práca sa zaoberá kompresiou 360° obrazu založenou na hlbokom učení. V práci je popísaná reprezentácia a deformácie 360° obrazu. Ďalej sú popísané konvenčné kompresné metódy a metódy využívajúce strojové a hlboké učenie a hlboké neurónové siete na kompresiu 360° obrazu. Súčasťou práce je vytvorenie datasetu desiatich 360° obrázkov a návrh frameworku umožňujúceho kompresiu obrázkov konvenčnými kodekmi a algoritmami založenými na strojovom a hlbokom učení a hlbokých neurónových sieťach. Obrázky z datasetu sú skomprimované piatimi konvenčnými kodekmi a štyrmi algoritmami hlbokého učenia. Kvalita komprimovaných obrázkov je zmeraná siedmymi objektívnymi metrikami a subjektívnym testom. Výsledkom experimentu je, že konvenčné metódy dosiahli vyššiu kvalitu pri kompresii, ako metódy využívajúce hlboké učenie a výpočtová náročnosť konvenčných metód je nižšia v porovnaní s metódami využívajúce hlboké učenie.
This diploma thesis deals with 360° image compression based on deep learning. The thesis describes the representation and deformations of a 360° image. It then describes conventional compression methods and methods using machine learning, deep learning and deep neural networks for 360° image compression. Part of the work is the creation of a dataset, which consists of ten 360° images, and the design of a framework that enables image compression using conventional codecs and algorithms based on machine learning, deep learning, and deep neural networks. Images from the dataset are compressed using five conventional codecs and four deep learning algorithms. The quality of compressed images is measured using seven objective metrics and one subjective test. As a result of the experiment, the conventional methods achieved higher compression quality than the methods using deep learning, and the computational complexity of the conventional methods is lower compared to the methods using deep learning.
This diploma thesis deals with 360° image compression based on deep learning. The thesis describes the representation and deformations of a 360° image. It then describes conventional compression methods and methods using machine learning, deep learning and deep neural networks for 360° image compression. Part of the work is the creation of a dataset, which consists of ten 360° images, and the design of a framework that enables image compression using conventional codecs and algorithms based on machine learning, deep learning, and deep neural networks. Images from the dataset are compressed using five conventional codecs and four deep learning algorithms. The quality of compressed images is measured using seven objective metrics and one subjective test. As a result of the experiment, the conventional methods achieved higher compression quality than the methods using deep learning, and the computational complexity of the conventional methods is lower compared to the methods using deep learning.
Description
Keywords
Kompresia 360° obrazu, dataset, strojové učenie, hlboké učenie, hodnotenie kvality obrazu, objektívne a subjektívne metriky kvality, framework, Python, 360° image compression, dataset, machine learning, deep learning, image quality assessment, objective and subjective quality metrics, framework, Python
Citation
BUDÁČ, A. Komprese 360° obrazu založená na hlubokém učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
bez specializace
Comittee
prof. Ing. Roman Maršálek, Ph.D. (předseda)
doc. Ing. Lucie Hudcová, Ph.D. (místopředseda)
Ing. Jan Král, Ph.D. (člen)
Ing. Jana Olivová, Ph.D. (člen)
Ing. Václav Růžek, Ph.D. (člen)
Date of acceptance
2023-06-06
Defence
Student prezentuje výsledky diplomové práce. Následuje čtení posudků a diskuze se členy komise:
1) student zodpovídá otázky oponenta, je na ně dobře připraven
2) Dr. Král: co je parametr BPP a kde je optimální oblast v příslušném grafu? -student opdovídá
3) Dr. Král: dotaz na použití proměnných "global" -student odpovídá
4) Dr. Král: opakující se sekvence kódu, diskuze se studentem ohledně nevhodné stavby jeho Python kódu
5) Dr. Růžek: technologie sledování pohybu očí a zacílení pohledu ve VR brýlích, můžete popsat? -student odpovídá
6) prof. Maršálek: algoritmy AI jsou vaše nebo jste použil refereční? -student přiznává použití referenčních alg. z lit., které nejsou výsledkem jeho práce
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení