دانشکده مهندسی

گروه مهندسی کام‍‍پیوتر

اطلاعیه دفاع از طرح پیشنهادی پایان‌نامه کارشناسی ارشد در رشته مهندسی کام‍‍پیوتر

 

عنوان:

ارائه یک الگوریتم تطبیق دامنه برای تصاویر نویزدار

 

اساتید ممتحن:

جناب آقای دکتر حسن ختن­لو

جناب آقای  دکتر مهدی عباسی

استاد راهنما:

جناب آقای دکتر میرحسین دزفولیان

استاد مشاور:

جناب آقای دکتر محرم منصوری زاده

پژوهشگر:

طاهره رسائی

تاریخ دفاع:

چهارشنبه 22/09/1396 ساعت 10

مکان:

سالن آمفی تئاتر

 

 

 

 

BU- Ali sina Univercity

 

Faculty of Technical and Engineering

Department of Computer

 

 

Thesis submitted for Master of Science in Computer Engineering-Artificial intelligence

 

 

 

Title

 

A new domain adaptation algorithm for noisy images

 

 

Supervisor:

Mir Hossein Dezfulian (Ph. D)

 

 

Advisor:

Moharram Mansoori zadeh (Ph. D)

 

 

By:

Tahereh Rasaei

 

 

چكيده:

       هدف از انجام این پژوهش ارائه یک الگوریتم تطبیق دامنه است که بتواند با استفاده از تصاویر بدون نویز، تصاویر دارای نویز را طبقه‌بندی کند. همچنین این روش نسبت به روش‌های موجود از کارایی بالاتری برخوردار باشد. فرض شده است که استفاده از روش تطبیق دامنه در طبقه‌بندی تصاویر دارای نویز به‌صورت مؤثر عمل می‌کند.

      در این پژوهش در ابتدا سعی شد تا از روش تطبیق دامنه برای حذف نویزهای تصویر استفاده شود . بدین ترتیب که با استفاده از تکه‌های کمی از تصویر دارای نویز دیکشنری را آموزش داده و از آن برای بازسازی کل تصویر استفاده می‌کند. اما در این روش به دلیل از بین رفتن جزئیات تصویر درروند عملیات حذف نویز نتیجه مطلوبی حاصل نشد. در روشی دیگر تصاویر دارای نویز و بدون نویز با استفاده از sparse و low-rank به فضای جدیدی نگاشت شدند. یک دیکشنری مشترک بر اساس این فضای نهان ایجاد شد و در یک‌روند تکرار این دیکشنری و فضای نهان بهینه‌سازی گشتند. از دیکشنری مشترک بهینه و فضای جدید برای آموزش طبقه بند استفاده شد. اما این روش در هنگام بهینه‌سازی برای ابعاد بزرگ به مشکل برخورد.

      با توجه به موفقیت‌هایی که شبکه‌های عمیق در سال‌های اخیر به دست آورده‌اند از روش مبتنی بر شبکه‌های عمیق برای طبقه‌بندی تصاویر دارای نویز استفاده شد. در این روش برخلاف روش قبلی داده‌ها را به فضایی جدید نگاشت نمی‌کند بلکه تنها به دنبال ویژگی‌هایی است که هم خاصیت جداکنندگی داشته و هم نسبت به تغییرات دامنه ثابت هستند. این روش از سه بخش استخراج‌کننده ویژگی، پیش‌بینی کننده برچسب و طبقه‌بند دامنه تشکیل‌شده است. بخش استخراج‌کننده ویژگی برای یافتن ویژگی‌هایی که خاصیت جداکنندگی دارند به دنبال افزایش کارایی بخش پیش‌بینی کننده برچسب است و از طرف دیگر برای استخراج ویژگی‌هایی که نسبت به تغییرات دامنه ثابت هستند به دنبال کاهش کارایی بخش طبقه بند دامنه است. زمانی که بخش طبقه بند قادر به تشخیص دامنه‌ها نباشد ویژگی‌ها نسبت به تغییرات دامنه ثابت هستند. این روش در یک معماری یکپارچه با استفاده از شبکه کانولوشن پیاده‌سازی شده است و در این پژوهش نشان داده‌شده است که این روش نسبت به روش‌های موجود از کارایی بالاتری برخوردار است.

 

نتایج پیاده‌سازی‌های انجام‌شده بیانگر آن است که روش پیشنهادی نسبت به روش‌های متداول طبقه‌بندی تصاویر دارای نویز از عملکرد مطلوبی برخوردار است. همچنین نسبت به روش‌های اخیر مبتنی بر شبکه عصبی نیز بهبود قابل‌توجهی ایجادشده است.

 

واژه­های کلیدی: تطبیق دامنه، شبکه‌های عمیق، شبکه‌های کانولوشن، کدگذاری تنک، طبقه بند تصاویر نویزی

 

Abstract:

The purpose of this research is to provide a domain adaptation algorithm that can categorize noisy images using no-noise images. This method is also more effective than existing methods. It is assumed that the use of the domain adaptation approach performance effectively in the classification of noise images. 

      In this research, we first tried to apply domain adaptation to denoising of image. Thus, By using a few patches of image the learning dictionary and used this dictionary for reconstruction of entire image. But this method did not achieve the desired result due to the loss of image details in the noise removal operation. In another way, noise-free and noisy images were mapped to new spaces using sparse and low-rank. A common dictionary was created based on this hidden space and was optimized in the same way as the dictionaries and the hidden space. An optimized joint dictionary and new space for learning classification were used. But this method encounters a problem when optimizing for large dimensions.

      Due to the success of deep networks in recent years, a deep-network based method was used to classify noisy images. Unlike the previous method, this method does not map data into a new space, but only seeks for features that have both separation property and domain-invariance. This method consists of three attribute extraction, predictive labels, and domain classifications. The feature extraction section seeks to increase the efficiency of the predictive label segment to find the attributes that have separation properties, and on the other hand, to extract the features that are constant for domain changes, they seek to reduce the efficiency of the domain classification. When thione. If domain classification is not able to detect domains, features are domain-invariance. This method has been implemented in an integrated architecture using convolutional network, and it has been shown in this study that this method has more efficiency than existing methods.
     The Implementation results are done indicate that the proposed method has a good performance compared to the conventional methods for classification of noisy images. Significant improvements have also been made to recent neural network techniques.

 

Key words Domain adaptation, Deep networks, Convolutional networks, sparse coding, Noisy image classification

 

مشخصات فردی: طاهره رسائی

تاریخ تولد:1/11/1367

تحصیلات

کارشناسی مهندسی نرم­افزار-غیرانتفاعی توران دامغان 1391

کارشناسی ارشد هوش مصنوعی-دانشگاه بوعلی سینا1396

تماس با من

پست الکترونیک: taherehrasaei@yahoo.com

آدرس: همدان

مهارت­ها و توانایی­ها

زبان­های برنامه­نویسی:C# و پایتون