δείτε την πρωτότυπη σελίδα τεκμηρίου στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
Τεχνικές ανάλυσης και βελτιστοποίησης νευρωνικών δικτύων βαθιάς μάθησης, αναγνώριση ψαριού με χρήση συνελικτικών νευρωνικών δικτύων
(EL)
Αθανασίου, Βασίλειος
aegean
Στην παρούσα εργασία αναφέρονται τεχνικές ανάλυσης και βελτιστοποίησης βαθιών νευρωνικών δικτύων, επικεντρωνόμαστε στα συνελικτικά νευρωνικά δίκτυα και προσπαθούμε να αναγνωρίσουμε το ψάρι «λαγοκέφαλος» ανάμεσα σε άλλα ψάρια. Τα συνελικτικά νευρωνικά δίκτυα (Convolutional Neural Network CNN) είναι μια ξεχωριστή κατηγορία μηχανικής μάθησης, έχουν προέλευση από τα Βιολογικά Νευρωνικά Δίκτυα. Αποτελούν «a state of the art» τεχνική για την αναγνώριση προτύπου. Η εργασία αρχικά αναφέρει προηγούμενη δουλειά σε συναφές αντικείμενο με τα αντίστοιχα αποτελέσματα επιδόσεων. Στα κεφάλαια της Ανάλυση Νευρωνικών Δικτύων και Βελτιστοποίηση Νευρωνικών Δικτύων γίνεται αναφορά των μεθόδων και της θεωρίας πίσω από αυτές. Το κεφάλαιο πειραματική διαδικασία περιγράφει όλα τα βήματα που ακολουθήσαμε από την κατασκευή του dataset έως την υλοποίηση του τελικού μοντέλου πρόβλεψης. Παράλληλα αναφέρονται και τα metrics των επιδόσεων κάθε μοντέλου. Στο κεφάλαιο Αρχιτεκτονικές Νευρωνικών Δικτύων γίνεται αναφορά των κυριότερων σύγχρονων δικτύων όπως για παράδειγμα “google inception-v4” και “ VGG-16 D ”. Για λόγους πληρότητας και χρήσης η εργασία εμπεριέχει και ένα “web app» στο οποίο ο χρήστης μπορεί να ανεβάσει εικόνα και να τεστάρει αν είναι «λαγοκέφαλος» ή όχι. Τα εργαλεία που χρησιμοποιήθηκαν για την υλοποίηση της εργασία είναι μηχανή αναζήτησης Google για την κατασκευή του dataset, python Tensorflow – Keras για την κατασκευή του μοντέλου, flask-server για την κατασκευή του “api” και “web-app” Η πλήρης εργασία βρίσκεται στο git κάτω από το σύνδεσμο https://github.com/athbill/mthesis.
*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.
Βοηθείστε μας να κάνουμε καλύτερο το OpenArchives.gr.
