Дослідження можливостей використання та технологій обробки цифрового зображення: огляд та застосування

Автор(и)

  • О.В. Дуболазов Чернівецький національний університет імені Юрія Федьковича
  • О.Г. Ушенко Чернівецький національний університет імені Юрія Федьковича
  • І.В. Солтіс Чернівецький національний університет імені Юрія Федьковича
  • М.О. Огірко Чернівецький національний університет імені Юрія Федьковича
  • С.В. Фоглінський Чернівецький національний університет імені Юрія Федьковича
  • Р.А. Заплітний Чернівецький національний університет імені Юрія Федьковича
  • А.О. Карачевцев Чернівецький національний університет імені Юрія Федьковича

DOI:

https://doi.org/10.31649/1681-7893-2024-48-2-78-87

Ключові слова:

обробка цифрових зображень, штучний інтелект, генерація зображень, медична діагностика

Анотація

У  статті досліджуються можливості використання технологій штучного інтелекту (ШІ) у сфері обробки цифрових зображень, аналізуються поточні застосування та майбутні перспективи. Техніки обробки зображень на основі ШІ, такі як зниження шуму, суперроздільна здатність,  генерація зображень, трансформують традиційні підходи, забезпечуючи новий рівень точності, ефективності та творчого потенціалу. У статті розглядаються застосування ШІ в різних галузях, зокрема в охороні здоров’я для медичної діагностики, у сфері культури для реставрації мистецтва, в промисловості для контролю якості та в маркетингу для створення контенту.

Біографії авторів

О.В. Дуболазов, Чернівецький національний університет імені Юрія Федьковича

д.т.н., професор кафедри оптики та видавничої справи

О.Г. Ушенко, Чернівецький національний університет імені Юрія Федьковича

д.т.н., професор кафедри оптики та видавничої справи

І.В. Солтіс, Чернівецький національний університет імені Юрія Федьковича

кндидат технічних наук, доцент кафедри оптики та видавничої справи

М.О. Огірко, Чернівецький національний університет імені Юрія Федьковича

кандидат технічних наук, доцент кафедри оптики та видавничої справи

С.В. Фоглінський, Чернівецький національний університет імені Юрія Федьковича

доцент кафедри оптики та видавничої справи

Р.А. Заплітний, Чернівецький національний університет імені Юрія Федьковича

кандидат технічних наук, доцент кафедри цивільного будівництва

А.О. Карачевцев , Чернівецький національний університет імені Юрія Федьковича

кандидат технічних наук, доцент кафедри комп'ютерних наук

Посилання

Mittal, Mamta, MaanakArora, Tushar Pandey, and Lalit Mohan Goyal. (2020): Image segmentation using deep learning techniques in medical images. Advancement of machine intelligence in interactive medical image analysis, p. 41-63.

Ghosh, Swarnendu, Nibaran Das, Ishita Das, and Ujjwal Maulik. (2019). Understanding deep learning techniques for image segmentation, ACM computing surveys (CSUR)52, № 4, p. 1-35: https://doi.org/10.1145/3329784.

Mat, Shabudin Bin, Richard Green, Roderick Galbraith, and Frank Coton. (2016). The effect of edge profile on delta wing flow. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering 230, № 7, p. 1252-1262: https://doi.org/10.1177/0954410015606939.

Minaee, Shervin, Yuri Boykov, Fatih Porikli, Antonio Plaza, Nasser Kehtarnavaz, and Demetri Terzopoulos. (2021). Image segmentation using deep learning: A survey."IEEE transactions on pattern analysis and machine intelligence, № 7, p. 3523-3542.

Ajit A, Acharya K, Semanta A. (2020). A review of convolutional neural networks. International Conference on Emerging Trends in Information Technology and Engineering (ic-ETITE): 1-5. [DOI LINK].

Amidi A, Amidi S. (2019). VIP Cheatsheet for CS 230 - Deep Learning: Convolutional Neural Networks. Stanford University, p. 1-5. [Downloaded from this Link 6-22-22].

Brownlee J. (2019). How to visualize filters and feature maps in convolutional neural networks. In: Deep Learning for Computer Vision, p.1-17.

Yosinski J, Clune J, Nguyen A, et al. (2015). Understanding neural networks through deep visualization. ArXiv 1506.06579. [ArXiv Link].

Zeiler MD, Fergus R. (2013). Visualizing and understanding convolutional networks. ECCV 2014, Arxiv 13.11.2901, [ArXiv LINK].

Chen X, Duan Y, Houthooft R, Schulman J, Sutskever I, Abbeel P (2016). Infogan: Interpretable representation learning by information maximizing generative adversarial nets. In: Advances in neural information processing systems, p. 2172–2180.

Chen Y, Lai YK, Liu YJ (2018). Cartoongan: Generative adversarial networks for photo cartoonization. In: Proceedings of the IEEE conference on computer vision and pattern recognition, p. 9465–9474

Chongxuan L, Xu T, Zhu J, Zhang B (2017). Triple generative adversarial nets. In: Advances in neural information processing systems, p. 4088–4098.

Dai P, Ji R, Wang H, Wu Q, Huang Y (2018). Cross-modality person re-identification with generative adversarial training. In: IJCAI, p. 677–683.

Dash A, Gamboa JCB, Ahmed S, Liwicki M, Afzal MZ (2017). Tac-gan-text conditioned auxiliary classifier generative adversarial network. arXiv preprint arXiv:1703.06412.

Deng W, Zheng L, Ye Q, Kang G, Yang Y, Jiao J (2018). Image-image domain adaptation with preserved self-similarity and domain-dissimilarity for person re-identification. In: Proceedings of the IEEE conference on computer vision and pattern recognition, pp 994–1003.

Denton EL, Chintala S, Fergus R, et al (2015). Deep generative image models using a laplacian pyramid of adversarial networks. In: Advances in neural information processing systems, p. 1486–1494.

Doersch C (2016). Tutorial on variational autoencoders. arXiv preprint arXiv:1606.05908.

Donahue J, Krahenbuhl P, Darrell T (2016). Adversarial feature learning. arXiv preprint arXiv:1605.09782

Dumoulin V, Belghazi I, Poole B, Mastropietro O, Lamb A, Arjovsky M, Courville A (2016). Adversarially learned inference. arXiv preprint arXiv:1606.00704.

Ehsani K, Mottaghi R, Farhadi A (2018). Segan: segmenting and generating the invisible. In: Proceedings of the IEEE conference on computer vision and pattern recognition, p. 6144–6153.

Wójcik Waldemar, Smolarz Andrzej (2017). Information Technology in Medical Diagnostics, July 11, 2017 by CRC Press, 210 Pages.

Wójcik W., Pavlov S., Kalimoldayev M. (2019). Information Technology in Medical Diagnostics II. London: Taylor & Francis Group, CRC Press, Balkema book, 336 Pages.

Highly linear Microelectronic Sensors Signal Converters Based on Push-Pull Amplifier Circuits / edited by Waldemar Wojcik and Sergii Pavlov, Monograph, (2022) NR 181, Lublin, Comitet Inzynierii Srodowiska PAN, 283 Pages. ISBN 978-83-63714-80-2

Pavlov Sergii, Avrunin Oleg, Hrushko Oleksandr, and etc. (2021). System of three-dimensional human face images formation for plastic and reconstructive medicine // Teaching and subjects on bio-medical engineering Approaches and experiences from the BIOART-project Peter Arras and David Luengo (Eds.), , Corresponding authors, Peter Arras and David Luengo. Printed by Acco cv, Leuven (Belgium). - 22 P. ISBN: 978-94-641-4245-7.

Pavlov S.V., Avrunin O.G., etc. (2019). Intellectual technologies in medical diagnosis, treatment and rehabilitation: monograph / [S. In edited by S. Pavlov, O. Avrunin. - Vinnytsia: PP "TD "Edelweiss and K", 260 p. ISBN 978-617-7237-59-3.

##submission.downloads##

Переглядів анотації: 36

Опубліковано

2024-11-19

Як цитувати

[1]
О. Дуболазов, «Дослідження можливостей використання та технологій обробки цифрового зображення: огляд та застосування», Опт-ел. інф-енерг. техн., вип. 48, вип. 2, с. 78–87, Лис 2024.

Номер

Розділ

Методи та системи оптико-електронної і цифрової обробки зображень та сигналів

Метрики

Завантаження

Дані завантаження ще не доступні.

Статті цього автора (авторів), які найбільше читають

1 2 > >>