Documenti full-text disponibili:
|
Documento PDF (Thesis)
Full-text accessibile solo agli utenti istituzionali dell'Ateneo
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (1MB)
| Contatta l'autore
|
Abstract
Le tecniche di Deep Learning per Blind Image Quality Assessment consistono nella progettazione e sviluppo di reti neurali profonde per l'assegnazione di punteggi di qualità alle immagini. In questa tesi viene per prima cosa svolta un'indagine sugli approcci al problema presentati in letteratura. Viene presentato brevemente il funzionamento delle reti neurali convoluzionali e elencati dei modelli di successo, evidenziando per ciascuno le novità architetturali introdotte e i traguardi ottenuti in termini di prestazioni. Si procede poi con la progettazione di diversi modelli single-task e multi-task, utilizzando come architettura di partenza ResNet50 e EfficientNetB0. I task affrontati sono di regressione (predizione del punteggio di qualità) e di classificazione (riconoscimento delle categorie di scene raffigurate). Viene testato l'apprendimento automatico dei pesi assegnati ai due task nel caso multi-task. Vengono esposti e commentati i risultati di predizione del MOS anche in relazione alle classi di appartenenza.
Abstract
Le tecniche di Deep Learning per Blind Image Quality Assessment consistono nella progettazione e sviluppo di reti neurali profonde per l'assegnazione di punteggi di qualità alle immagini. In questa tesi viene per prima cosa svolta un'indagine sugli approcci al problema presentati in letteratura. Viene presentato brevemente il funzionamento delle reti neurali convoluzionali e elencati dei modelli di successo, evidenziando per ciascuno le novità architetturali introdotte e i traguardi ottenuti in termini di prestazioni. Si procede poi con la progettazione di diversi modelli single-task e multi-task, utilizzando come architettura di partenza ResNet50 e EfficientNetB0. I task affrontati sono di regressione (predizione del punteggio di qualità) e di classificazione (riconoscimento delle categorie di scene raffigurate). Viene testato l'apprendimento automatico dei pesi assegnati ai due task nel caso multi-task. Vengono esposti e commentati i risultati di predizione del MOS anche in relazione alle classi di appartenenza.
Tipologia del documento
Tesi di laurea
(Laurea)
Autore della tesi
Alpi, Davide
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Deep Learning,Image Quality Assessment,Blind Image Quality Assessment,Image classification
Data di discussione della Tesi
26 Marzo 2021
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Alpi, Davide
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Deep Learning,Image Quality Assessment,Blind Image Quality Assessment,Image classification
Data di discussione della Tesi
26 Marzo 2021
URI
Statistica sui download
Loading...
Gestione del documento: