Researching the possibilities of using ai technologies for digital image processing: review and applications Дослідження можливостей використання та технологій обробки цифрового зображення: огляд та застосування
Вантажиться...
Файли
Дата
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
Альтернативна назва
Анотація
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.
This paper explores the potential of artificial intelligence (AI) technologies in the field of digital image processing, analyzing current applications and future prospects. AI-based image processing techniques, such as noise reduction, super-resolution, inpainting, and image generation, are transforming traditional approaches, offering new levels of accuracy, efficiency, and creative potential. The paper examines AI applications across various fields, including healthcare for medical diagnostics, cultural heritage for art restoration, industry for quality control, and marketing for content creation.У
This paper explores the potential of artificial intelligence (AI) technologies in the field of digital image processing, analyzing current applications and future prospects. AI-based image processing techniques, such as noise reduction, super-resolution, inpainting, and image generation, are transforming traditional approaches, offering new levels of accuracy, efficiency, and creative potential. The paper examines AI applications across various fields, including healthcare for medical diagnostics, cultural heritage for art restoration, industry for quality control, and marketing for content creation.У
Опис
УДК
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Dubolazov O. V., Ushenko O. G., Soltys I. V., Ohirko M. O., Foglinskiy S. V., Zaplitniy R. A., Karachevtsev A. O. Researching the possibilities of using ai technologies for digital image processing: review and applications // Оптико-електроннi iнформацiйно-енергетичнi технологiї. 2024. № 2. С. 78-87. URI: https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/732.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (25)
- 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.