Phương Pháp Học Máy Ứng Dụng Trong Giải Quyết Các Vấn Đề Thị Giác - Luận Án Tiến Sĩ

• Tác giả: Dan Kong
• Người hướng dẫn: Professor Hai Tao
• Trường học: University of California Santa Cruz
• Chuyên ngành: Computer Engineering
• Đề tài: Learning-based Approach for Vision Problems
• Loại tài liệu: dissertation
• Năm xuất bản: 2006
• Địa điểm: Santa Cruz

Mục lục chi tiết

• List of Figures
• List of Tables
• Abstract
• Dedication
• Acknowledgments
• I. Part I Learning-based Stereo
• 1. CHƯƠNG 1: INTRODUCTION
• 1.1. The Problem
• 1.2. Foundations of Stereo
• 1.2.1. Calibration
• 1.2.2. Correspondence
• 1.2.3. Triangulation
• 1.2.4. Constraint
• 1.3. Related Work and Motivation
• 1.4. The Approach
• 1.4.1. Representing and Learning Matching Behaviors
• 1.4.2. A Probabilistic Stereo Model
• 1.5. Results and Discussion
• II. Video Super-resolution
• 2.1. Introduction and Related Work
• 2.2. Reconstruction-based Methods
• 2.3. Learning-based Methods
• 2.4. Primal Sketch Priors
• 2.4.1. Example-based Priors
• 2.4.2. Learning primal sketch priors
• 2.4.3. Why primal sketch
• 2.5. Video Super-resolution
• 2.5.1. Overview of the Approach
• 2.5.2. Scene-specific Priors
• 2.5.3. Introduction to CRF
• 2.5.4. Implementation and Results
• 2.5.5. Quantitative Results
• 2.6. Discussion
• III. Human Detection and Counting
• 3.1. Introduction and Related Work
• 3.2. Human Counting: A Regression Approach
• 3.2.1. Results and Discussion
• 3.3. Human Counting: A Detection-based Approach
• 3.3.1. Convolutional Neural Network (CNN)
• 3.3.2. Multi-scale Detection
• 3.4. Conclusions and Future work
• Bibliography

Tóm tắt

I. Phương Pháp Học Máy

Phương pháp học máy đóng vai trò trung tâm trong luận án, tập trung vào việc giải quyết các vấn đề thị giác như nhận diện hình ảnh, xử lý hình ảnh, và phát hiện đối tượng. Luận án sử dụng các mô hình học máy như mạng nơ-ron, học sâu, và học có giám sát để cải thiện độ chính xác trong các bài toán thị giác. Các thuật toán học máy được áp dụng bao gồm phân loại hình ảnh và phát hiện đối tượng, với mục tiêu tối ưu hóa hiệu suất trong các tình huống thực tế.

1.1. Học Sâu và Mạng Nơ ron

Học sâu và mạng nơ-ron là các công nghệ nổi bật trong luận án. Các mạng nơ-ron tích chập (CNN) được sử dụng để nhận diện hình ảnh và phát hiện đối tượng, đặc biệt trong các tình huống có độ phân giải thấp. Luận án nhấn mạnh việc sử dụng học có giám sát để huấn luyện các mô hình, giúp cải thiện độ chính xác trong các bài toán thị giác.

1.2. Học Có Giám Sát và Không Giám Sát

Luận án phân tích sự khác biệt giữa học có giám sát và học không giám sát. Học có giám sát được áp dụng trong các bài toán phân loại hình ảnh, trong khi học không giám sát được sử dụng để phân cụm dữ liệu hình ảnh. Cả hai phương pháp đều có giá trị trong việc giải quyết các vấn đề thị giác phức tạp.

II. Vấn Đề Thị Giác

Luận án tập trung vào các vấn đề thị giác như nhận diện hình ảnh, xử lý hình ảnh, và phát hiện đối tượng. Các phương pháp học máy được áp dụng để giải quyết các thách thức trong thị giác máy tính, bao gồm việc xử lý các hình ảnh có độ phân giải thấp và các đối tượng bị che khuất.

2.1. Nhận Diện Hình Ảnh

Nhận diện hình ảnh là một trong những vấn đề thị giác chính được đề cập trong luận án. Các thuật toán học máy như mạng nơ-ron tích chập (CNN) được sử dụng để cải thiện độ chính xác trong việc nhận diện các đối tượng trong hình ảnh. Luận án cũng đề cập đến việc sử dụng dữ liệu hình ảnh để huấn luyện các mô hình.

2.2. Xử Lý Hình Ảnh

Xử lý hình ảnh là một phần quan trọng trong luận án, với các phương pháp học máy được áp dụng để cải thiện chất lượng hình ảnh. Các kỹ thuật như phân loại hình ảnh và phát hiện đối tượng được sử dụng để xử lý các hình ảnh có độ phân giải thấp và các đối tượng bị che khuất.

III. Ứng Dụng Thực Tế

Luận án không chỉ tập trung vào lý thuyết mà còn nhấn mạnh vào các ứng dụng thực tế của phương pháp học máy trong thị giác máy tính. Các kết quả thực nghiệm cho thấy sự cải thiện đáng kể trong việc nhận diện hình ảnh, xử lý hình ảnh, và phát hiện đối tượng.

3.1. Nhận Diện Đối Tượng

Nhận diện đối tượng là một trong những ứng dụng thực tế quan trọng của phương pháp học máy. Luận án sử dụng các mạng nơ-ron tích chập (CNN) để cải thiện độ chính xác trong việc nhận diện các đối tượng trong hình ảnh, đặc biệt trong các tình huống có độ phân giải thấp.

3.2. Xử Lý Video

Luận án cũng đề cập đến việc áp dụng phương pháp học máy trong xử lý video. Các kỹ thuật như siêu phân giải video được sử dụng để cải thiện chất lượng video, với các kết quả thực nghiệm cho thấy sự cải thiện đáng kể trong chất lượng hình ảnh.