Derin öğrenme bazlı ileri görüntü tamamlama teknikleri
| dc.contributor.author | Arslan,Ahmet | |
| dc.date.accessioned | 2024-09-12T08:41:53Z | |
| dc.date.available | 2024-09-12T08:41:53Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | Derin yapay sinir ağları son yıllarda birçok farklı problemde başarıyla kullanılmaktadır. Özellikle görüntü sınıflandırma problemlerindeki başarısı ile ön plana çıkan Evrişimli Sinir Ağları (Convolutional Neural Network (CNN)) ve gerçekçi görüntü üretme konusunda kullanılan Üretici Çekişmeli Ağlar (Generative Adversarial Network (GAN)) buna örnek olarak gösterilebilir. Görüntü tamamlama, derin öğrenmenin kullanıldığı ve başarılı sonuçlar alınan bir diğer alan olarak karşımıza çıkmaktadır. Özel olarak dış boyama probleminde, doldurulan kısım büyük olduğundan ve resmin dış kısmına gelmesinden dolayı anlamlı ve uyumlu olarak resmi tamamlamak büyük zorluklar içeren bir problemdir. Bu çalışmada derin öğrenme ile görüntü dış boyama teknikleri gerçekleştirilmiştir. Otomatik kodlayıcılar kullanılarak görüntü tamamlama işlemi yapılmış ayırt edici ağlar kullanarak iyileştirmeler yapılmıştır. Ayrıca bu çalışmaya özgün olarak kenar tamamlayan derin öğrenme modeli geliştirilerek elde edilen kenar haritasının dış boyama işleminde kullanılması sağlanmıştır. Deep artificial neural networks have been successfully used in many different problems in recent years. Convolutional Neural Networks (CNN), which stand out with their success in image classification problems, and Generative Adversarial Networks (GAN), which are used to produce realistic images, can be given as examples. Image completion is another area where deep learning is used and successful results are obtained. Specifically, in the outpainting problem, it is a very challenging problem to complete the image in a meaningful and coherent way because the filled part is large and comes to the outer part of the image. In this study, image outpainting techniques are implemented with deep learning. Image completion was performed using autoencoders and enhancements were made using discriminative networks. In addition, an edge-completing deep learning model was developed uniquely for this study and the edge map obtained was used in the outpainting process. | |
| dc.identifier.uri | https://dspace.ankara.edu.tr/handle/20.500.12575/91428 | |
| dc.language.iso | tr | |
| dc.publisher | Ankara Üniversitesi | |
| dc.subject | Görüntü İçboyama | |
| dc.subject | Görüntü Dışboyama | |
| dc.subject | Görüntü Tamamlama | |
| dc.subject | Derin Öğrenme | |
| dc.subject | Evrişimsel Sinir Ağı | |
| dc.subject | Otomatik Kodlayıcı | |
| dc.subject | Ayırt Edici Ağ | |
| dc.title | Derin öğrenme bazlı ileri görüntü tamamlama teknikleri | |
| dc.title.alternative | Advanced image completion techniques based on deep learning | |
| dc.type | Thesis |