Συμπίεση εικόνων με χρήση νευρωνικών δικτύων
| datacite.contributor.RelatedPerson | Σγάρμπας, Κυριάκος | |
| datacite.contributor.RelatedPerson | Χατζηλυγερούδης, Κωνσταντίνος | |
| datacite.contributor.Supervisor | Σκόδρας, Αθανάσιος | |
| dc.contributor.author | Σκαμαντζούρα, Δήμητρα Μαρία | |
| dc.contributor.other | Skamantzoura, Dimitra Maria | |
| dc.date.accessioned | 2025-02-20T06:39:18Z | |
| dc.date.available | 2025-02-20T06:39:18Z | |
| dc.date.issued | 2024-02-13 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Στην σημερινή εποχή παρατηρείται μία εκθετική αύξηση στο μέγεθος των δεδομένων, με όλο και μεγαλύτερη απαίτηση σε αποθηκευτικό χώρο. Ένας κύριος παράγοντας για αυτό το φαινόμενο είναι η καθημερινή και έντονη χρήση των μέσων κοινωνικής δικτύωσης από έναν μεγάλο ποσοστό του πληθυσμού. Τα μέσα κοινωνικής δικτύωσης διογκώνουν το πρόβλημα, διότι όλο και μεγαλύτερης ποιότητας εικόνες και βίντεο ανεβαίνουν στο διαδίκτυο. Συνεπώς, η επιστημονική κοινότητα έχει στραφεί στην περαιτέρω συμπίεση των δεδομένων για την αντιμετώπιση αυτού του ζητήματος. Παρόλ' αυτά, η μείωση του μεγέθους των δεδομένων μπορεί να γίνει αποδεκτή μόνο ως έναν βαθμό, ο οποίος δεν αλλοιώνει υπερβολικά τα δεδομένα. Για την ακρίβεια, είναι επιθυμητό να μειωθεί όσο γίνεται ο αναγκαίος αποθηκευτικός χώρος, με την μικρότερη δυνατή απώλεια στην ποιότητα. Αυτό μέχρι έναν βαθμό επιτυγχάνεται από τους περισσότερους παραδοσιακούς αλγόριθμους συμπίεσης, όμως από ένα σημείο συμπίεσης και μετά οι απώλειες που προκαλούνται είναι σημαντικές. Για αυτό το λόγο, ο αναπτυσσόμενος τομέας της τεχνητής νοημοσύνης αναλαμβάνει να προσπαθήσει να καλύψει αυτές τις ανάγκες. Αυτή η εργασία, αρχικά, παρουσιάζει υπάρχουσες τεχνικές συμπίεσης. Αυτές οι τεχνικές αναλύονται και εξηγούνται με βάση την αποδοτικότητά τους και την συχνότητα εφαρμογής τους σε θέματα συμπίεσης εικόνας. Η κατανόηση του τρόπου λειτουργίας των παραδοσιακών τεχνικών είναι ιδιαιτέρως σημαντική, καθώς αυτές οι τεχνικές έχουν θέσει τους στόχους που χρειάζεται να ξεπεραστούν. Παρομοίως, παρουσιάζονται μερικές εφαρμογές της τεχνητής νοημοσύνης, εστιάζοντας περισσότερο στις τεχνικές της βαθιάς μάθησης. Σε αυτό το σημείο, αναφέρονται διάφορα νευρωνικά δίκτυα που ανήκουν στις τεχνικές βαθιάς μάθησης που αξιοποιούνται με μεγάλη επιτυχία σε προβλήματα συμπίεσης. Επιπρόσθετα, στα πλαίσια αυτής της εργασίας υλοποιήθηκε ένα μοντέλο, του οποίου παρουσιάζονται η αρχιτεκτονική και τα αποτελέσματα. Συμπερασματικά, αυτή η υλοποίηση αποτελεί ένα μοντέλο ικανό για μεγάλο βαθμό συμπίεσης, ο οποίος ξεπερνάει τον βαθμό συμπίεσης των αντίστοιχων παραδοσιακών τεχνικών. | |
| dc.description.translatedabstract | In today’s age, a rapid increase in size of several data has been noticed. This has led to an enormous increase in the storage needed for the data. The situation has developed as such due to -the especially popular- social media and streaming services, which require data with big expectations for their quality, hence with a great size. So the scientific community observing this, has taken an interest in the possibilities of resolving thε matter with new developing technologies. However, there is an important factor that needs to be taken into consideration here: there is not a big range of quality available to be sacrificed. To be more precise, it is very much necessary to keep the quality losses as low as possible, while reducing the data size as much as achievable. Most traditional compression techniques can be successful only to a certain level; after a point, they respond poorly and the losses are great. Hence, the developing field of artificial intelligence has taken it upon itself to provide solutions. In this thesis, traditional compression techniques are mentioned and thoroughly described, especially the ones that provide great compression results. Moreover, their efficiency is analyzed based on their frequency of use. The reason as to why these techniques are introduced, is simply because they have set the ceilings for AI techniques to surpass, since understanding their function would be significantly beneficial. As for Artificial Intelligence techniques, a wide range of them are introduced with a main focus on the ones found in deep learning. At this point also, a variety of neural networks are introduced and explained, especially the ones that have proven to be very successful in the matter of image compression. The implemented architecture of this thesis, that pursuits to accomplish desirable results in image compression, is mentioned along with its results. One would say that indeed it was successful in its pursuit, since the results it has provided are more than satisfactory and appear to surpass traditional compression techniques. | |
| dc.identifier.uri | https://hdl.handle.net/10889/28980 | |
| dc.language.iso | el | |
| dc.rights | CC0 1.0 Universal | en |
| dc.rights.uri | http://creativecommons.org/publicdomain/zero/1.0/ | |
| dc.subject | Συμπίεση εικόνων | |
| dc.subject | Συμπίεση αρχείων | |
| dc.subject | Νευρωνικά δίκτυα | |
| dc.subject | Τεχνητή νοημοσύνη | |
| dc.subject.alternative | Image compression | |
| dc.subject.alternative | Compression | |
| dc.subject.alternative | Neural networks | |
| dc.subject.alternative | Artificial intelligence | |
| dc.title | Συμπίεση εικόνων με χρήση νευρωνικών δικτύων | |
| dc.title.alternative | Image compression with the use of neural networks |