Proefschrift
Using Deep Learning Models in Image Processing
Beeldbewerking heeft met de komst van Deep Learning een revolutie doorgemaakt. Dit heeft, in het bijzonder, opmerkelijke voortgang gegeven in het onderzoeksveld variërend van autonome besturing van voertuigen tot medische diagnostiek.
- Auteur
- Z. Xiong
- Datum
- 19 mei 2026
- Links
- Thesis in Leiden Repository
Ondanks het succes van de rekenmodellen onderliggend aan Deep Leaning, heeft een steeds meer toenemende complexiteit de urgente vragen opgeworpen over hoe deze modellen werken, waarom ze soms niet goed werken, en of deze modellen vertrouwd kunnen worden in kritische toepassingen. In dit proefschrift worden juist deze vragen geadresseerd door het presenteren van een overzicht van de ontwikkelingen in deep-learning in het beeldbewerkingsdomein en daarnaast worden bijdragen geleverd waarin de vooruitgang in model interpretatie en betrouwbaarheid wordt behandeld. Het onderzoek beschreven in dit proefschrift begint vanuit het perspectief van een breed overzicht gevolgd door specifieke methodologische verkenningen. Tezamen vormen de Hoofdstukken de basis voor transparante en robuuste systemen voor computer visie.
Alles bij elkaar biedt dit proefschrift een reflectie over hoe een macroscopisch begrip van de evolutie van een model (Hoofdstuk 2) informatie geeft over specifiek onderzoek in interpreteerbaarheid (Hoofdstuk 3-4) en betrouwbaarheid (Hoofdstuk 5). Daarmee laat het zien hoe onze bijdragen tezamen vooruitgang bieden aan het doel computer vision systemen te bouwen die krachtig zijn en tegelijkertijd ook begrijpelijk en betrouwbaar. Door het overbruggen van theoretische fundamenten naar praktische oplossingen, tracht dit proefschrift de weg te bereiden door het implementeren van deep-learning modellen die betrouwbaar zijn onder operationele omstandigheden, waar transparantie en afhankelijkheid even belangrijk zijn als nauwkeurigheid.