Rekonstrukce řídce vzorkovaného obrazu pomocí hlubokého učení
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Cílem práce bylo zlepšit kvalitu rekonstrukce řídce vzorkovaných mikroskopických snímků pomocí neuronových sítí. V práci budou popsány různé přístupy k rekonstrukci obrazu. Budou zde popsaný i použité implementace, nad kterými bylo provedeno vyhodnocení z pohledu rekonstrukce a segmentace, která je právě jejich hlavní možnou aplikací.
The main goal of this thesis was to increase reconstruction quality of sparse sampled microscopic images by using neural networks. The thesis will cover various approaches for image reconstruction and will also include descriptions of implementations, which were used. Implementations will be evaluated based on quality of reconstruction, but also based on segmentation, which could be their main possible application.
The main goal of this thesis was to increase reconstruction quality of sparse sampled microscopic images by using neural networks. The thesis will cover various approaches for image reconstruction and will also include descriptions of implementations, which were used. Implementations will be evaluated based on quality of reconstruction, but also based on segmentation, which could be their main possible application.
Description
Citation
LE, H. Rekonstrukce řídce vzorkovaného obrazu pomocí hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2021.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Vývoj aplikací
Comittee
prof. Dr. Ing. Pavel Zemčík (předseda)
doc. RNDr. Jitka Kreslíková, CSc. (místopředseda)
Ing. Vladimír Bartík, Ph.D. (člen)
doc. Mgr. Lukáš Holík, Ph.D. (člen)
Ing. Filip Orság, Ph.D. (člen)
Ing. Libor Polčák, Ph.D. (člen)
Date of acceptance
2021-06-23
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 C. Otázky u obhajoby: Velikost dávky 1 je rozumná? Jakým způsobem jste nastavoval ostatní hyperparametry? Proč výstupy na snímcích s GT (Obr. 6.2) a bez GT (Obr. 6.3) vypadají velmi odlišně? (artefakty v 6.3) Co je ta embedding síť? Jak vznikla? To nikdo něco podobného s EDS zatím nezkoušel? Jaký mají význam FPR a TPR? Jsou doopravdy vypovídající o kvalitě výstupu?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení