but.committee	doc. Ing. František Zbořil, CSc. (předseda) doc. RNDr. Pavel Smrž, Ph.D. (místopředseda) Ing. Michal Bidlo, Ph.D. (člen) doc. Ing. Vladimír Janoušek, Ph.D. (člen) Ing. Ondřej Kanich, Ph.D. (člen) Dr. Ing. Petr Peringer (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A. Otázky u obhajoby: Pokud byste chtěl využít i objektivního hodnocení kvality rekonstruovaných obrazů, jaké jsou možnosti a jak byste postupoval? Jaké konkrétní zlepšení přinese využití reálných dat při trénování? Jak zlepší práci operátora zakomponování super-samplingu do procesu pořizování obrazů elektronovým mikroskopem? Budou vaše modely fungovat s jiným mikroskopem? Jak jste postupoval při návrhu modelů? Co by se stalo, kdyby byl na vstupu jiný typ obrázku? Budou vaše výsledky někde publikovány?	cs
but.jazyk	slovenština (Slovak)
but.program	Informační technologie a umělá inteligence	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Španěl, Michal	sk
dc.contributor.author	Mojžiš, Tomáš	sk
dc.contributor.referee	Beran, Vítězslav	sk
dc.date.accessioned	2022-06-24T06:55:16Z
dc.date.available	2022-06-24T06:55:16Z
dc.date.created	2022	cs
dc.description.abstract	Cieľom tejto práce je vytvoriť hlbokú neurónovú sieť schopnú zvýšiť rozlíšenie obrazov získaných elektrónovými mikroskopmi. Jedná sa o úlohu zväčšenia rozlíšenia na základe jedného obrázku. Skladá sa z dvoch častí - nájdenie vhodných dát a vytvorenie dátovej sady pre danú úlohu a návrh architektúry neurónovej siete, ktorá je schopná riešiť úlohu zvýšenia rozlíšenia obrazu. V práci vznikli dve dátové sady pozostávajúce z obrázkov pochádzajúcich z elektrónových mikroskopov. Dátové sady majú rôzny prístup k augmentácii dáta. Je vďaka nim možné natrénovať neurónové siete pre úlohu zvýšenia rozlíšenia obrazu. Pri riešení boli otestované dve architektúry typu U-Net a jedna typu GAN. Rozlíšenie bolo zvyšované dvakrát a štyrikrát. Najlepšie umelo zväčšené obrázky z testovaných architektúr vytvára sieť Real-ESRGAN. V hodnotách metrík nie je lepšia ako testovaná interpolačná metóda, obrázky však často pôsobia kvalitnejšie, najmä pri zvýšení rozlíšenia štyrikrát. Vďaka tejto práci bola vytvorená dátová sada, na ktorej je možné trénovať ďalšie architektúry a zlepšovať tak kvalitu výsledných obrázkov. Neurónové siete z tejto práce je možné použiť pri získavaní kvalitnejších dát z elektrónového mikroskopu pri nízkom rozlíšení.	sk
dc.description.abstract	The aim of this thesis is to create a deep neural net capable of super-resolution on images acquired by electron microscopes. The thesis consists of two parts - finding appropriate data and creating a dataset for the super-resolution task and designing a neural net architecture capable of solving the super-resolution task. Within the thesis, two datasets comprised of images acquired by electron microscopes were created. The datasets differ in the approach to data augmentation. They allow to train a neural network which fulfills the super-resolution task. To solve this task, two U-Net based and one GAN based architecture were trained. The resolution of images was upscaled by a factor of two and four. The best artificially upscaled images were created by neural network Real-ESRGAN. The values of metrics were not higher than the tested interpolation method, but the images seem more visually pleasing especially when they were upscaled four times. Thanks to this thesis, two datasets were created allowing to train other possible neural network architectures to improve the quality of the artificially upscaled images. The neural networks trained in this thesis can be utilized in the process of acquiring higher quality data from low resolution electron microscope images.	en
dc.description.mark	A	cs
dc.identifier.citation	MOJŽIŠ, T. Zvýšení rozlišení obrazu pomocí hlubokých neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.	cs
dc.identifier.other	145422	cs
dc.identifier.uri	http://hdl.handle.net/11012/207826
dc.language.iso	sk	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	hlboká neurónová sieť	sk
dc.subject	konvolučná neurónová sieť	sk
dc.subject	hlboké učenie	sk
dc.subject	počítačové videnie	sk
dc.subject	zvýšenie rozlíšenia obrazu	sk
dc.subject	elektrónová mikroskopia	sk
dc.subject	gan	sk
dc.subject	unet	sk
dc.subject	dátová sada	sk
dc.subject	deep neural network	en
dc.subject	convolutional neural network	en
dc.subject	deep learning	en
dc.subject	computer vision	en
dc.subject	super-resolution	en
dc.subject	electron microscopy	en
dc.subject	gan	en
dc.subject	unet	en
dc.subject	dataset	en
dc.title	Zvýšení rozlišení obrazu pomocí hlubokých neuronových sítí	sk
dc.title.alternative	Image Super-Resolution Using Deep Learning	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2022-06-20	cs
dcterms.modified	2022-06-23-09:13:54	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	145422	en
sync.item.dbtype	ZP	en
sync.item.insts	2022.06.24 08:55:16	en
sync.item.modts	2022.06.24 08:13:07	en
thesis.discipline	Inteligentní systémy	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Zvýšení rozlišení obrazu pomocí hlubokých neuronových sítí

Files

Original bundle

Collections