Пошук академічних текстів

Інформація × Реєстраційний номер 2125U002807, Матеріали видань та локальних репозитаріїв Категорія Бакалаврська робота Назва роботи Стиснення зображень латентного простору моделі DCGAN Автор Гунько Володимир СергійовичHunko Volodymyr Serhiiovych Дата публікації 01-01-2025 Постачальник інформації Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Першоджерело https://ela.kpi.ua/handle/123456789/75792 Видання Київ Опис Дипломна робота: 93 ст., 11 рис., 1 додаток 15 посилань. Дипломна робота присвячена дослідженню методів стискання зображень за допомогою глибоких генеративних змагальних нейронних мереж, зокрема модифікованої архітектури DCGAN. Актуальність дослідження обумовлена стрімким зростанням обсягів супутникових знімків та необхідністю ефективного стиснення даних без суттєвих втрат якості, що критично важливо для геоаналітики, екологічного моніторингу, містобудування та безпеки. Метою роботи є розробка та дослідження методики стиснення супутникових зображень на основі генеративної нейронної мережі DCGAN. У процесі дослідження було проведено аналіз предметної області, вивчено особливості отримання супутникових знімків, їхню спектральну структуру та застосування. Було розглянуто класифікацію генеративних змагальних мереж та їх застосування у задачах стискання. Об'єктом дослідження є процес стискання зображень, а предметом – використання модифікованої DCGAN архітектури для зменшення обсягу зображень із можливістю їх візуально достовірної реконструкції. У ході роботи розроблено модифіковану генеративну модель, яка включає енкодер, генератор та дискримінатор PatchGAN. Додатково впроваджено перцептивну функцію втрат на основі VGG16 для підвищення якості відновлення. Проведено експериментальні дослідження на супутникових знімках із датасету RESISC45, що дозволило оцінити ефективність запропонованого підходу. Результати показали, що модель здатна суттєво зменшити розмір зображень, водночас забезпечуючи якість реконструкції, порівнянну з сучасними методами компресії. Оцінка ефективності базувалася на показниках PSNR, SSIM та FID, що підтвердило переваги використання генеративних нейронних мереж над традиційними методами. Отримані результати мають перспективи практичного застосування в автоматизованих системах обробки супутникових даних. Thesis: 93 pages, 11 figures, 1 appendices, 15 references. The thesis is dedicated to the study of image compression methods using deep generative adversarial neural networks, specifically a modified DCGAN architecture. The relevance of this research is driven by the rapid growth of satellite imagery volumes and the need for efficient data compression without significant quality loss, which is crucial for geospatial analytics, environmental monitoring, urban planning, and security. The objective of this work is to develop and investigate a methodology for compressing satellite images based on a generative neural network, DCGAN. During the research process, an analysis of the subject area was conducted, examining the characteristics of satellite image acquisition, their spectral structure, and applications. The classification of generative adversarial networks and their use in compression tasks was reviewed. The object of the study is the image compression process, while the subject of the study is the application of a modified DCGAN architecture to reduce image size while ensuring visually accurate reconstruction. The work developed a modified generative model incorporating an encoder, generator, and PatchGAN discriminator. Additionally, a perceptual loss function based on VGG16 was implemented to enhance reconstruction quality. Experimental research was conducted on satellite images from the RESISC45 dataset, allowing for an evaluation of the proposed approach’s effectiveness. The results demonstrated that the model can significantly reduce image size while maintaining reconstruction quality comparable to modern compression methods. The efficiency assessment was based on PSNR, SSIM, and FID metrics, which confirmed the advantages of generative neural networks over traditional compression techniques. The obtained results hold potential for practical application in automated satellite data processing systems. Додано в НРАТ 2025-11-05 Закрити