TÜ arvutiteaduse instituudi lõputööde register

Nimi

Joonas Ariva

Kokkuvõte

Keskkond ja kasutatav tehnika mõjutavad kujutamisel loodud piltide kvaliteeti. Mitmetel juhtudel ei ole aga võimalik neid tegureid optimeerida ja saadud pildid on mürased. Hetkel põhinevad parimad mürapuhastusmeetodid sidumnärvivõrkudel (ingl. k. Convolutional neural network ehk CNN). Üldiselt vajavad sellised tehisnärvivõrgud hästi töötamiseks palju müravabu pilte valdkonnast. Osades valdkondades (näiteks biomeditsiiniline mikroskoopia) on selliseid pilte keeruline koguda suurtes kogustes. Seetõttu on muutunud oluliseks juhendamata õppe närvivõrgud, mis suudavad õppida mürapuhastust vaid müraste piltide pealt. Väikese nägemisväljaga sidumid võivad aga selliste närvivõrkude täpsust piirata. Selle probleemi üks võimalik lahendus võib olla hiljuti välja pakutud Fourier sidum (ingl. k. Fast Fourier Convolution ehk FFC). Sellel sidumil on piiramatu nägemisväli, kuna enne sidumioperatsiooni viiakse läbi Fourier’ pööre. Piiramatu nägemisväli võib aidata CNN-idel paremini seostada omavahel pildiosi, mis asuvad üksteisest kaugemal. FFC-ga on täiustatud mitmeid kaasaegseid klassifitseerimise närvivõrke. Magistritöö hüpotees on, et ka mürapuhastuse närvivõrgud võiksid FFC-st kasu saada.
Magistritöös disainitakse mitu erinevat meetodit, kuidas FFC-d juhendamata mürapuhastuse närvivõrkudes kasutada. Meetodeid testitakse kolmel eri võrdlusandmestikul ja tulemusi võrreldakse teiste mürapuhastusmeetoditega. Hiina kirja andmestikul saavutatakse FFC-ga täiustatud närvivõrkudega tipptasemel tulemused ning loomulike värviliste ja halltoonides piltide andmestikel saavutatakse olemasolevate meetoditega võrreldavad
tulemused.

Lõputöö keel

inglise

Lõputöö tüüp

Magister - Andmeteadus

Juhendaja(d)

Mikhail Papkov

Kaitsmise aasta

2022