Proyek personal

Image Denoising with CAE & U-Net

Perbandingan convolutional autoencoder dan U-Net untuk menghilangkan salt-and-pepper noise pada gambar daun tomat PlantVillage.

Computer Vision & Restorasi CitraProyek deep learning

Jelajahi sorotan fitur

Lima contoh citra daun dalam baris noise salt-and-pepper, Median Filter, CAE, CAE-SC, U-Net, dan ground truth

Tech Stack

PythonPyTorchCAEU-NetGoogle Colab

Sorotan fitur / Image Denoising with CAE & U-Net

Jelajahi fitur proyek ini.

Pilih fitur untuk melihat alur, gambar, atau video demonstrasinya.

Pilih spotlight lain

Hasil visual restorasi

Perbandingan visual mendokumentasikan penghilangan noise salt-and-pepper menggunakan filter klasik dan jaringan saraf. Sampel bersama membantu menghubungkan evaluasi numerik dengan tampilan citra hasil restorasi.

Hasil visual restorasi

Restorasi citra daun

Lima sampel daun membandingkan masukan ber-noise dengan hasil Median Filter, CAE, CAE-SC, dan U-Net, diikuti citra ground truth. Susunan baris yang sejajar memperlihatkan sisa noise, penghalusan, dan detail daun yang dipertahankan oleh setiap metode.

Bandingkan citra hasil restorasi dengan acuannya, termasuk tepi dan tekstur daun.

Tantangan

Noise dapat mengaburkan informasi visual yang dibutuhkan sistem computer vision pertanian.

Memulihkan gambar daun yang terkena noise sambil menjaga detail dan membandingkan arsitektur.

Pendekatan

Membandingkan median filter, CAE, CAE-SC, serta U-Net dengan PyTorch, lalu mengevaluasi hasil restorasi menggunakan PSNR dan SSIM.

Mengkaji metode restorasi citra yang dapat mendukung alur diagnosis penyakit tanaman.

Implementasi

Convolutional autoencoder
Autoencoder dengan skip connections
Encoder-decoder U-Net
Perbandingan median filter
Evaluasi kualitas citra PSNR dan SSIM

Fitur

Penghilangan salt-and-pepper noise
Gambar daun tomat PlantVillage
Baseline median filter
Perbandingan CAE, CAE-SC, dan U-Net
Evaluasi PSNR dan SSIM

Hasil & Sorotan

Perbandingan filtering klasik dan deep learning
Skip connections dan model encoder-decoder
Evaluasi restorasi citra pertanian

Mari diskusikan proyek berikutnya.

Mari Berdiskusi

Memuat halaman...

Kembali ke proyek

Proyek personal

Image Denoising with CAE & U-Net

Perbandingan convolutional autoencoder dan U-Net untuk menghilangkan salt-and-pepper noise pada gambar daun tomat PlantVillage.

Computer Vision & Restorasi CitraProyek deep learning

Jelajahi sorotan fitur

Tech Stack

PythonPyTorchCAEU-NetGoogle Colab

Sorotan fitur / Image Denoising with CAE & U-Net

Jelajahi fitur proyek ini.

Pilih fitur untuk melihat alur, gambar, atau video demonstrasinya.

Pilih spotlight lain

Hasil visual restorasi

Restorasi citra daun

Bandingkan citra hasil restorasi dengan acuannya, termasuk tepi dan tekstur daun.

Tantangan

Noise dapat mengaburkan informasi visual yang dibutuhkan sistem computer vision pertanian.

Memulihkan gambar daun yang terkena noise sambil menjaga detail dan membandingkan arsitektur.

Pendekatan

Membandingkan median filter, CAE, CAE-SC, serta U-Net dengan PyTorch, lalu mengevaluasi hasil restorasi menggunakan PSNR dan SSIM.

Mengkaji metode restorasi citra yang dapat mendukung alur diagnosis penyakit tanaman.

Implementasi

Convolutional autoencoder
Autoencoder dengan skip connections
Encoder-decoder U-Net
Perbandingan median filter
Evaluasi kualitas citra PSNR dan SSIM

Fitur

Penghilangan salt-and-pepper noise
Gambar daun tomat PlantVillage
Baseline median filter
Perbandingan CAE, CAE-SC, dan U-Net
Evaluasi PSNR dan SSIM

Hasil & Sorotan

Perbandingan filtering klasik dan deep learning
Skip connections dan model encoder-decoder
Evaluasi restorasi citra pertanian

Mari diskusikan proyek berikutnya.

Mari Berdiskusi