You signed in with another tab or window. Reload to refresh your session.You signed out in another tab or window. Reload to refresh your session.You switched accounts on another tab or window. Reload to refresh your session.Dismiss alert
Definicija problema:
Image inpainting je proces digitalne obrade slika u kojem se oštećene ili nedostajuće delove slike obnavljaju na temelju okolnih informacija ili referenci. Cilj je obnoviti nedostajuće dijelove slike na način koji je vizualno dosledan i koji zadržava kontekst i strukturu originalne slike. Oštećenja mogu biti rezultat različitih problema poput oštećenja na fotografijama, uklanjanja objekata iz slike ili bilo kakvih drugih vrsta nedostataka. Algoritmi za image inpainting koriste se u različitim područjima, uključujući računarski vid, digitalnu obradu slika i grafiku.
U navedenom skupu se nalaze odvojeni trening I test skup slika. Test skup sadrži oko 210 slika, dok trening skup sadrži po 1750 za svaku od 4 klase životinja (mačka, pas, slon I tigar). Skup podataka sadrži originalne slike, maskirane slike I pozicije na kojima se maska nalazi.
Metodologija:
U projektu će se uporediti rezultati dva modela CNN I RNN tako što će se prvobitno određeni delovi slike maskirati.
Metod evaluacije:
Poređenje se radi koristeći dve vrste funkcija gubitka, obe se računaju piksel po piksel za područje koje treba popuniti. Koriste se Euclidean Loss I Softmax Loss
Porede se pikseli izgenerisanog dela slike sa istim delom originalne slike koristeci Euclidean Loss i Softmax Loss (koristice se po dva razlicita pristupa za oba modela kao sto je to opisano u radu na koji se oslanjam)
Tim:
Božidar Arsić E2 82/2021
Github repozitorijum: https://github.com/BoKna031/Image_inpainting
Definicija problema:
Image inpainting je proces digitalne obrade slika u kojem se oštećene ili nedostajuće delove slike obnavljaju na temelju okolnih informacija ili referenci. Cilj je obnoviti nedostajuće dijelove slike na način koji je vizualno dosledan i koji zadržava kontekst i strukturu originalne slike. Oštećenja mogu biti rezultat različitih problema poput oštećenja na fotografijama, uklanjanja objekata iz slike ili bilo kakvih drugih vrsta nedostataka. Algoritmi za image inpainting koriste se u različitim područjima, uključujući računarski vid, digitalnu obradu slika i grafiku.
Skup podataka:
Za skup podataka se korsiti https://www.kaggle.com/datasets/amanara/photos
U navedenom skupu se nalaze odvojeni trening I test skup slika. Test skup sadrži oko 210 slika, dok trening skup sadrži po 1750 za svaku od 4 klase životinja (mačka, pas, slon I tigar). Skup podataka sadrži originalne slike, maskirane slike I pozicije na kojima se maska nalazi.
Metodologija:
U projektu će se uporediti rezultati dva modela CNN I RNN tako što će se prvobitno određeni delovi slike maskirati.
Metod evaluacije:
Poređenje se radi koristeći dve vrste funkcija gubitka, obe se računaju piksel po piksel za područje koje treba popuniti. Koriste se Euclidean Loss I Softmax Loss
Link do rada na koji se oslanjamo: http://cs231n.stanford.edu/reports/2016/pdfs/211_Report.pdf
The text was updated successfully, but these errors were encountered: