Κατηγοριοποίηση εικόνων με χρήση τεχνικών Deep Learning

 
Το τεκμήριο παρέχεται από τον φορέα :
Χαροκόπειο Πανεπιστήμιο
Αποθετήριο :
Βιβλιοθήκη & Κέντρο Πληροφόρησης ΕΣΤΙΑ
δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
κοινοποιήστε το τεκμήριο




2017 (EL)
Κατηγοριοποίηση εικόνων με χρήση τεχνικών Deep Learning

Γέμος, Παναγιώτης Κωνσταντίνος Σ.

Η ανάγκη για ανακάλυψη προτύπων σε δεδομένα καθώς και η κατηγοριοποίηση και η συσταδοποίηση διάφορων τύπων δεδομένων, ολοένα και αυξάνεται. Συνάμα με αυτή την ανάγκη, έρχεται και η ανάπτυξη της Τεχνητής Νοημοσύνης και ιδιαίτερα τηςΜηχανικής Μάθησης, όπου σκοπό έχει να ικανοποιήσει τις ανάγκες αυτές. Οικλασσικοί αλγόριθμοι Μηχανικής Μάθησης έχουν αποδειχθεί αρκετά καλοί και αποδοτικοί στην εύρεση προτύπων σε δομημένα δεδομένα με γνωρίσματα. Πόσο καλά όμως αντιμετωπίζουν προβλήματα που αφορούν μη δομημένα δεδομένα; Δεδομένα στα οποία ο άνθρωπος έχει την έμφυτη ικανότητα να κατηγοριοποιεί και να ομαδοποιεί με μεγάλη αποδοτικότητα. Προβλήματα όπως η κατηγοριοποίηση μιας εικόνας, η αναγνώριση φωνής, η κατανόηση και η απόδοση ενός κειμένου, η δυνατότητα διαλόγου. Εκεί οι κλασσικές τεχνικές παρουσιάζουν χαμηλή απόδοση.Αφού το μυαλό του ανθρώπου είναι καλό σε τέτοιες εργασίες, ίσως η λύση να κρύβεται στο να το προσομοιώσουμε. Τα Τεχνητά Νευρωνικά Δίκτυα, η λογική των οποίων βασίζεται στα νευρωνικά δίκτυα του εγκεφάλου, καθώς και οι νέες, πολυεπίπεδες αρχιτεκτονικές γνωστές και ως Deep Learning, απέδειξαν ότι όντως, προσομοιώνοντας τη λειτουργία των νευρωνικών κυττάρων, μπορούμε να επιτύχουμε υψηλές αποδόσεις σε αυτού του είδους τις εργασίες.Σκοπός αυτής της πτυχιακής εργασίας είναι η ανάπτυξη τεχνητών νευρωνικών δικτύων για τη κατηγοριοποίηση εικόνων. Σε αυτή παρουσιάζονται διάφορες μέθοδοι και αρχιτεκτονικές τεχνητών νευρωνικών δικτύων, ξεκινώντας από απλές και καταλήγοντας σε πιο σύνθετες, εστιάζοντας στο τρόπο λειτουργίας τους, τις προκλήσεις τους καθώς και στην αποδοτικότητά τους. Επίσης, αποδεικνύεται η ανωτερότητα των τεχνικών Deep Learning έναντι των ρηχών αρχιτεκτονικών τεχνητών νευρωνικών δικτύων, καθώς και γενικά η ανωτερότητα των τεχνητών νευρωνικών δικτύων έναντι των κλασσικών μεθόδων Μηχανικής Μάθησης.

graduate_thesis
Πτυχιακή Εργασία (EL)
Graduate Thesis (EN)

Μηχανική Μάθηση
Κατηγοριοποίηση Εικόνων
Νευρωνικά δίκτυα (Επιστήμη των υπολογιστών)
Τεχνητή Νοημοσύνη
Deep Learning.
Τεχνητή νοημοσύνη
Μηχανική μάθηση
Τεχνητά Νευρωνικά Δίκτυα

Χαροκόπειο Πανεπιστήμιο (EL)
Harokopio University (EN)

2017-10-05


Αναφορά Δημιουργού – Μη Εμπορική Χρήση – Όχι Παράγωγα Έργα 4.0



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.