跳到主要內容

臺灣博碩士論文加值系統

(44.220.44.148) 您好!臺灣時間:2024/06/18 14:02
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:張山文
研究生(外文):CHANG,SHAN-WEN
論文名稱:使用深度學習網路於影帶超解析度實作
論文名稱(外文):Use the deep learning network to implement super-resolution videotape
指導教授:陳洳瑾
指導教授(外文):CHEN,JU-CHIN
口試委員:林韋体王鼎超楊孟翰陳朝鈞陳洳瑾林威成
口試委員(外文):LIN,WEI-TEEWANG,DING-CHAUYANG,MENG-HANCHEN,CHAO-CHUNCHEN,JU-CHINLIN,WEI-CHENG
口試日期:2021-08-13
學位類別:碩士
校院名稱:國立高雄科技大學
系所名稱:資訊工程系
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2021
畢業學年度:109
語文別:中文
論文頁數:103
中文關鍵詞:超解析度深度學習
外文關鍵詞:Super-resolutionDeep Learning
相關次數:
  • 被引用被引用:0
  • 點閱點閱:168
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
目錄
中文摘要---------------------------------------------------------------------------------V
英文摘要---------------------------------------------------------------------------------VI
誌謝---------------------------------------------------------------------------------------VII
目錄---------------------------------------------------------------------------------------VIII
圖目錄------------------------------------------------------------------------------------XI
表目錄------------------------------------------------------------------------------------XIII
第一章 導論--------------------------------------------------------------------------------1
1.1 研究動機----------------------------------------------------------------------------1
1.2 研究架構----------------------------------------------------------------------------1
第二章 相關文獻--------------------------------------------------------------------------2
2.1 神經網路運作----------------------------------------------------------------------2
2.1.1 卷積運算--------------------------------------------------------------------------2
2.1.2 填補--------------------------------------------------------------------------------4
2.1.3 步幅--------------------------------------------------------------------------------5
2.1.4 池化層-----------------------------------------------------------------------------5
2.1.5 全連接層--------------------------------------------------------------------------6
2.1.6 激勵函數--------------------------------------------------------------------------7
2.1.6.1 恒等函數(Identity Function)-------------------------------------------------7
2.1.6.2 Sigmoid Function---------------------------------------------------------------7
2.1.6.3 ReLU 函數(Rectified Linear Unit, ReLU )--------------------------------8
2.1.6.4 Leaky ReLU---------------------------------------------------------------------8
2.1.7 Gradient Descent梯度下降------------------------------------------------------8
2.2 基於數學函式之影像縮放------------------------------------------------------10
2.2.1 Nearest-neighbor interpolation-------------------------------------------------11
2.2.2 bilinear interpolation------------------------------------------------------------13
2.2.3 bicubic interpolation-------------------------------------------------------------14
2.3 基於模型學習之超解析度演算法---------------------------------------------16
2.3.1 生成對抗網路Generative Adversarial Network ---------------------------16
2.3.2 Photo-Realistic Single Image Super-Resolution Using a Generative
Adversarial Network----------------------------------------------------------17
2.3.3 EnhanceNet-----------------------------------------------------------------------22
2.4 超解析度效能評估---------------------------------------------------------------27
2.4.1 峰值信噪比(PSNR)------------------------------------------------------------27
2.4.2 結構相似性(SSIM)-------------------------------------------------------------28
第三章 基於多損失函式之影帶超解析度-------------------------------------------30
3.1 系統架構流程圖------------------------------------------------------------------30
3.1.1 前處理----------------------------------------------------------------------------30
3.1.2 基於深度學習的影像超解析度----------------------------------------------30
3.1.3 生成器網路----------------------------------------------------------------------31
3.1.4 辨別器網路----------------------------------------------------------------------32
3.2 損失函式---------------------------------------------------------------------------33
3.2.1 Perceptual loss(感知損失) -----------------------------------------------------33
3.2.2 Adversarial loss(對抗損失)----------------------------------------------------34
3.2.3 辨別器損失----------------------------------------------------------------------32
3.3 網路訓練---------------------------------------------------------------------------34
3.4 網路預測---------------------------------------------------------------------------34
3.5 資料分析---------------------------------------------------------------------------36
3.6 把每張單一超解析度影像壓縮並製成影片檔------------------------------37
第四章 實驗結果-------------------------------------------------------------------------38
4.1 實驗環境---------------------------------------------------------------------------38
4.2 實驗影像資料庫------------------------------------------------------------------38
4.3 評估方法---------------------------------------------------------------------------39
4.3.1 網路訓練-------------------------------------------------------------------------39
4.3.2 網路評估-------------------------------------------------------------------------39
4.3.3 網路預測-------------------------------------------------------------------------66
4.4 實驗數據---------------------------------------------------------------------------66
第五章 結論-------------------------------------------------------------------------------67
第六章 參考文獻-------------------------------------------------------------------------68
附錄一 -------------------------------------------------------------------------------------70













圖目錄
圖1 神經網路運作圖(1) -----------------------------------------------------------------------2
圖2 神經網路運作圖(2) -----------------------------------------------------------------------2
圖3卷積運算的範例----------------------------------------------------------------------------3
圖4卷積運算的計算步驟----------------------------------------------------------------------4
圖5卷積運算的填補處理----------------------------------------------------------------------4
圖6步幅為2的卷積運算範例----------------------------------------------------------------5
圖7最大池化的處理步驟----------------------------------------------------------------------6
圖8平均池化的處理步驟----------------------------------------------------------------------6
圖9 恒等函數的圖形---------------------------------------------------------------------------7
圖10 Sigmoid函數的圖形---------------------------------------------------------------------7
圖11 ReLU函數的圖形------------------------------------------------------------------------8
圖12 Leaky ReLU函數的圖形----------------------------------------------------------------8
圖13 Gradient Descent圖(1) ------------------------------------------------------------------9
圖14 Gradient Descent圖(2) -----------------------------------------------------------------10
圖15 Nearest-neighbor interpolation圖(1) -------------------------------------------------11
圖16 Nearest-neighbor interpolation圖(2) -------------------------------------------------11
圖17 Nearest-neighbor interpolation圖(3) -------------------------------------------------12
圖18 Nearest-neighbor interpolation圖(4) -------------------------------------------------12
圖19 bilinear interpolation圖-----------------------------------------------------------------13
圖20 bicubic interpolation圖(1) -------------------------------------------------------------14
圖21 bicubic interpolation圖(2) -------------------------------------------------------------15
圖22 bicubic interpolation圖(3)--------------------------------------------------------------15
圖23 bicubic interpolation圖(4)-------------------------------------------------------------16
圖24 DCGAN生成器網路架構圖----------------------------------------------------------17
圖25 SRGAN生成器網路與辨別器網路的架構圖--------------------------------------18
圖26 SRGAN超解析度影像和原影像比較-----------------------------------------------21
圖27原影像與bicubic、SRResNet、SRGAN效果比較圖----------------------------21
圖28 ENet-E生成影像與ENet-PAT生成影像比較-------------------------------------26
圖 29 調整後的Enhancenet影像超解析度流程圖---------------------------------------30
圖30調整後的Enhancenet生成器網路架構圖(1)---------------------------------------31
圖31 Residual learning: a building block圖------------------------------------------------31
圖32使用CIFAR10資料集在20層與56層神經網路的訓練及測試誤差---------32
圖33調整後的Enhancenet生成器網路架構圖(2)---------------------------------------32
圖34調整後的SRGAN辨別器網路架構圖----------------------------------------------33

















表目錄
表 1 Enhancenet的影像超解析度生成器網路架構表----------------------------------22
表 2 Enhancenet的影像超解析度辨別器網路架構表----------------------------------23
表 3 VGG網路架構表-----------------------------------------------------------------------25

第六章 參考文獻
[1]I. Goodfellow. Nips,2016,Generative adversarial networks,
https://arxiv.org/abs/1701.00160
[2] Alec Radford & Luke Metz, Soumith Chintala,2016, UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS, https://arxiv.org/pdf/1511.06434.pdf
[3]Christian Ledig, Lucas Theis, Ferenc Huszar, Jose Caballero,
Andrew Cunningham,Alejandro Acosta,Andrew Aitken,Alykhan Tejani,
Johannes Totz,Zehan Wang,Wenzhe Shi,2016,Photo-Realistic Single Image
Super-Resolution Using a Generative Adversarial Network,
https://arxiv.org/abs/1609.04802
[4]Mehdi S. M. Sajjadi, Bernhard Schölkopf, Michael Hirsch,2016,EnhanceNet: Single Image Super-Resolution Through Automated Texture Synthesis, https://arxiv.org/abs/1612.07919
[5]Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun,2015,Deep Residual Learning for Image Recognition,https://arxiv.org/abs/1512.03385
[6]Karen Simonyan & Andrew Zisserman,2015,Very Deep Convolutional Networks For Large-Scale Image Recognition,https://arxiv.org/abs/1409.1556
[7]Mehdi S. M. Sajjadi,Raviteja Vemulapalli,Matthew Brown,2018,Frame-Recurrent Video Super-Resolution,https://arxiv.org/abs/1801.04590v4
[8]Ben Mildenhall,Pratul P. Srinivasan,Matthew Tancik,Jonathan T. Barron,Ravi Ramamoorthi,Ren Ng,2020, Representing Scenes as Neural Radiance Fields for View Synthesis,https://arxiv.org/abs/2003.08934v2
[9]宋宜蓁,2018,基於視覺損失函數之單張超解析度影像,國立高雄科技大學,碩士論文。
[10] Sebastian Raschka,2016,Python機器學習,博碩文化股份有限公司,新北。
[11]林大貴,2017,Tensorflow+Keras深度學習人工智慧實務應用,博碩文化股份有限公司,新北。
[12]斎藤康毅,2017,用PYTHON進行深度學習的基礎理論實作,碁峰資訊股份有限公司,臺北。
[13]邢夢來、王碩、孫洋洋,2018,PyTorch深度學習與自然語言中文處理,博碩文化股份有限公司,臺北。
[14]陳雲,2018,比Tensorflow還精美的人工智慧套件PyTorch讓你愛不釋手,佳魁資訊,臺北。
[15]廖星宇,2018,PYTORCH更好用更強大更易懂,深石數位,臺北。
[16]文淵閣工作室,2016,Python初學特訓班,碁峰資訊股份有限公司,臺北。
[17]李宏毅,2017,GAN Lecture 1 (2017): Introduction of Generative Adversarial Network(GAN),https://www.youtube.com/watch?v=G0dZc-8yIjE&list=PLJV_el3uVTsMd2G9ZjcpJn1YfnM9wVOBf&index=1
[18]周沫凡,2016,莫煩Python,https://morvanzhou.github.io/,澳洲。
[19]Ben Hu,(深度學習)ResNet之殘差學習,https://medium.com/@hupinwei/深度學習-resnet之殘差學習-f3ac36701b2f
[20]Dot CSV,¡Aumentando RESOLUCIÓN con Inteligencia Artificial! (SuperResolución), https://www.youtube.com/watch?v=dPYwr8fihH0&list=FL6fDPQX1Hw3dMQkVBkNbd6A&index=4&t=546s
[21]Ray Lin,Activation Function: ReLU & Maxout,https://medium.com/%E5%AD%B8%E4%BB%A5%E5%BB%A3%E6%89%8D/activation-function-relu-maxout-f958f066fbfa
[22]Martin Huang,AlexNet小簡介(3) — Local Response Normalization(LRN),https://martin12345m.medium.com/alexnet%E5%B0%8F%E7%B0%A1%E4%BB%8B-3-local-response-normalization-lrn-a0af4e5fdafd

電子全文 電子全文(網際網路公開日期:20260910)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊