diplomsko delo
Biljana Vitanova (Avtor), Aljaž Zalar (Mentor)

Povzetek

Analiza glavnih komponent (PCA) je metoda, ki projecira podatke na ortogonalne podprostore. Težave PCA nastopijo ob prisotnosti osamelcev. Metoda robustne analize glavnih komponent (RPCA) odpravlja te težave z učinkovitim obravnavanjem osamelcev na matrikah. Z uporabo operacij, definiranih s tenzorsko algebro, so te metode razširjene na tenzorske pristope za obravnavo bolj kompleksnih, večdimenzionalnih podatkov. Aproksimacija tenzorjev s tenzorji nizkega ranga naredi te metode še posebej uporabne za odstranjevanje šuma iz signalov. Glavni cilj te diplomske naloge je preučiti dva algoritma, ki temeljita na tenzorskih pristopih, s poudarkom na razlagi matematičnega ozadja, izbiri parametrov in analizi učinkovitosti za odstranjevanje šuma. Zaradi možnosti vizualnega vrednotenja smo te metode testirali na zašumljenih slikah.

Ključne besede

analiza glavnih komponent;tenzorska algebra;aproksimacija nizkega ranga;rekonstrukcija slik;univerzitetni študij;diplomske naloge;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.11 - Diplomsko delo
Organizacija: UL FRI - Fakulteta za računalništvo in informatiko
Založnik: [B. Vitanova]
UDK: 004(043.2)
COBISS: 211557635 Povezava se bo odprla v novem oknu
Št. ogledov: 222
Št. prenosov: 73
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Angleški jezik
Sekundarni naslov: Principal Component Analysis of Multidimensional data
Sekundarni povzetek: Traditional Principal Component Analysis (PCA) aims to project data onto orthogonal subspaces. However, a limitation of PCA is that it struggles in presence of outliers. Robust Principal Component Analysis (RPCA) improves upon this by effectively handling outliers. Using operations defined with tensor algebra, these methods are further extended to tensor-methods, to handle more complex, multidimensional data. By approximating with low-rank data, these methods are particularly useful for signal denoising. The main goal of this thesis is to examine two such tensor-based algorithms. With emphasis to explain the mathematical background, parameter selection, and performance analysis. To provide visual explanation and validation, we test these algorithms on noisy images.
Sekundarne ključne besede: principal component analysis;tensor algebra;low-rank approximation;image reconstruction;computer and information science;diploma;
Vrsta dela (COBISS): Diplomsko delo/naloga
Študijski program: 1000468
Konec prepovedi (OpenAIRE): 1970-01-01
Komentar na gradivo: Univ. v Ljubljani, Fak. za računalništvo in informatiko
Strani: 1 spletni vir (1 datoteka PDF (63 str.))
ID: 24985108