{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TK792",
        "title": "حذف نویز تصویر با استفاده از شبکه عصبی همگشتی عمیق",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1399",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "TK792",
        "title": "حذف نویز تصویر با استفاده از شبکه عصبی همگشتی عمیق",
        "degree": null,
        "faculty": "مهندسی برق",
        "year": 1399,
        "authors": [
            {
                "name": "دانیال لطفی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "حسین خسروی",
                "role": "استاد راهنما"
            }
        ],
        "keywords": [
            "شبکه همگشتی عمیق",
            "نویز",
            "خودرمزنگار",
            "یادگیری باقیمانده",
            "نرمال‌سازی دسته‌ای",
            "کانولوشن گسترده"
        ],
        "abstract": "تصاویر نقش مهمی در زندگی روزمره ما دارند و از آن‌ها برای کاربردهای مختلفی مثل تشخیص اشیاء، احراز هویت بیومتریک و نظارت تصویری استفاده می‌شود. نویز یک سیگنال نامطلوب است که باعث ایجاد یک تغییر تصادفی از مقادیر رنگ یا روشنایی در یک تصویر می‌شود. گاهی اوقات، به دلایلی مانند نقص در حس‌گرهای دوربین و انتقال در یک کانال نویزی، تصاویر به نویز آغشته می‌شوند. حذف نویز ‌یک نیاز اساسی برای تقویت و بازیابی جزئیات پنهان و باارزش در یک تصویر است؛ بنابراین به یک روش کارآمد برای حذف نویز تصویر نیاز است.\r\nدر سال های اخیر، شبکه‌های عصبی همگشتی عمیق، توجه زیادی را درزمینه‌ی حذف نویز تصویر به خود جلب کرده‌اند. با این‌حال دو مشکل وجود دارد: اول این‌که آموزش یک شبکه همگشتی برای حذف نویز بسیار مشکل است و دوم آن‌که بیشتر قسمت‌های عمیق‌ شبکه به حالت اشباع می‌روند و محوشدگی گرادیان رخ می‌دهد. در این پایان نامه، یک شبکه جدید از نوع خودرمزنگار (Autoencoder) طراحی‌شده است. در این شبکه به منظور استخراج ویژگی، به‌جای افزایش عمق، از افزایش عرض استفاده می‌کنیم. در این روش دو شبکه را به‌صورت شبکه چپ و راست باهم ترکیب می‌کنیم که باعث افزایش عرض به‌جای افزایش عمق می‌شود. در شبکه سمت راستی از خودرمزنگار برای بازیابی تصویر ورودی در خروجی و در شبکه سمت چپی از کانولوشن گسترده برای استخراج بیشتر ویژگی برای حذف نویز، استفاده می‌کنیم. همچنین برای جلوگیری از تغییر توزیع داده‌ها و عدم وابستگی به مقدار اولیه، از نرمال‌سازی دسته ای و برای تسهیل آموزش و جلوگیری از محوشدگی گرادیان، از یادگیری باقیمانده در طراحی شبکه خودرمزنگار استفاده‌شده است. نتایج تجربی نشان می‌دهد مقدار PSNR، برای تصاویر خاکستری نویزی به میزان 1.27 دسی‌بل و برای تصاویر رنگی، 1.22 دسی‌بل نسبت به روش‌های پیشین بهبودیافته است.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_TK792.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}