AI trendek a digitális képfeldolgozásban

AI Trends in Digital Image Processing

Authors

  • VARGA Attila Károly

Keywords:

digital image processing, artificial intelligence, pattern recognation, deep learning, machine learning, /, digitális képfeldolgozás, mesterséges intelligencia, mintafelismerés, mélytanulás, gépi tanulás

Abstract

In digital image processing, artificial intelligence is increasingly used for image analysis, enhancement, pattern recognition, object recognition and classification. In contrast to traditional image processing, which is often based on rules and predefined algorithms, AI-based approaches rely on learning, adaptation and automatic decision making to recognise and manage image features. Core technologies include deep learning, neural networks and machine learning)-based algorithms. AI-based technology is already present in a growing number of fields and industries, significantly complementing classical approaches to image processing or replacing some of its steps or sub-processes with the power of machine intelligence.

Kivonat

 A digitális képfeldolgozás területén a mesterséges intelligenciát egyre gyakrabban használják képek elemzésére, javítására, mintafelismerésre, objektumok azonosítására és képosztályozásra. A hagyományos képfeldolgozással szemben, amely gyakran szabályok és előre meghatározott algoritmusok alapján működik, az AI-alapú megközelítés tanulásra, adaptációra és automatikus döntéshozatalra épít a képek jellemzőinek felismerésében és kezelésében. Az alapvető technológiák közé tartozik a mélytanulás, a neurális hálózatok és a gépi tanulás alapú algoritmusok. Az AI alapú technológia már egyre több területen, iparágban jelen van, a képfeldolgozás klasszikus megközelítéseit jelentősen kiegészítve vagy annak egyes lépéseit, részfolyamtát helyettesítve a gépi intelligencia erejével.

References

Wilhelm Burger, Mark J. Burge Digital Image Processing. Springer Cham, 2022, eBook ISBN 978-3-031-05744-1

Solanki, S. R., Khublani, D. K. Generative Artificial Intelligence. Springer, Berlin, 2024, EAN 9798868804021

Foster, D. Generative Deep Learning. O'Reilly Media, 2023, ISBN 1098134184

Simran, A., Shijin Kumar, P. S., & Bachu, S. Content based image retrieval using deep learning convolutional neural network. IOP Conference Series: Materials Science and Engineering, 2021, 1084(1), 012026, https://doi.org/10.1088/1757- 899X/1084/1/012026

Li, Y., & Wang, M. Image retrieval algorithm based on deep learning. In ICGSP 2020: 2020 The 4th International Conference on Graphics and Signal Processing. Association for Computing Machinery.

Kherraki, A., & El Ouazzani, R. Deep convolutional neural networks architecture for an efficient emergency vehicle classification in real-time traffic monitoring. IAES International Journal of Artificial Intelligence, 2022, 11(1), 110–120.

Cheng-Yu Chen, Jenq-Shiou Leu and Setya Widyawan Prakosa Using Autoencoder to Facilitate Information

Retention for Data Dimension Reduction, IEEE, pp. 1-5, 2018.

Downloads

Published

2024-10-10