<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://repozitorij.uni-lj.si/IzpisGradiva.php?id=109874"><dc:title>Globoka nevronska mreža za ostrenje slik z glajenjem</dc:title><dc:creator>Gornik,	Maja	(Avtor)
	</dc:creator><dc:creator>Kristan,	Matej	(Mentor)
	</dc:creator><dc:subject>računalniški vid</dc:subject><dc:subject>konvolucijska nevronska mreža</dc:subject><dc:subject>ostrenje slik</dc:subject><dc:description>V diplomskem delu se ukvarjamo s problemom ostrenja zamegljenih slik. Za reševanje tega problema predlagamo nov pristop k ostrenju slik, ki temelji na globoki konvolucijski nevronski mreži z dodanimi filtri za glajenje slik (UnsharpNet). Predstavimo več različic osnovnega modela, ki se med seboj razlikujejo glede na velikost in pozicijo uporabljenih filtrov. Rezultate modelov nato ocenimo kvantitativno in kvalitativno na podatkovni zbirki GOPRO ter analiziramo vpliv velikosti filtrov in njihove pozicije v arhitekturi mreže na dobljen rezultat.  Eksperimentalni rezultati kažejo, da so dobljenimi modeli praviloma bolj uspešni kot osnovni model, ki ne vsebuje dodatnih filtrov. Rezultat osnovnega modela uspemo izboljšati za 1.1% glede na oceno PSNR in 0.68% glede na SSIM. Najboljšo različico modela UnsharpNet nato primerjamo še s sorodnimi deli. Rezultati kažejo, da kljub enostavnosti naša metoda dosega rezultate, ki so primerljivi z najnovejšimi metodami iz tega področja.</dc:description><dc:date>2019</dc:date><dc:date>2019-09-09 13:20:05</dc:date><dc:type>Diplomsko delo/naloga</dc:type><dc:identifier>109874</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>
