Πρωτότυπος Τίτλος:
Κατηγοριοποίηση εικόνων με χρήση τεχνικών Deep Learning
Συγγραφέας:
Γέμος, Παναγιώτης Κωνσταντίνος Σ.
Επιβλέπων καθηγητής:
Βαρλάμης, Ηρακλής
Περίληψη:
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 της
Μηχανικής Μάθησης, όπου σκοπό έχει να ικανοποιήσει τις ανάγκες αυτές. Οι
κλασσικοί 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.
Μηχανικής Μάθησης, όπου σκοπό έχει να ικανοποιήσει τις ανάγκες αυτές. Οι
κλασσικοί 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.
Ημερομηνία κατάθεσης:
2017-10-05
Γλώσσες Τεκμηρίου:
Ελληνικά
Θεματικές Κατηγορίες:
Τεχνολογία της πληροφορίας
Ηλεκτρονικοί υπολογιστές. Επιστήμη των υπολογιστών
Ηλεκτρονικοί υπολογιστές. Επιστήμη των υπολογιστών
Λοιπά Θέματα:
Τεχνητή νοημοσύνη
Νευρωνικά δίκτυα (Επιστήμη των υπολογιστών)
Μηχανική μάθηση
Νευρωνικά δίκτυα (Επιστήμη των υπολογιστών)
Μηχανική μάθηση
Λέξεις-κλειδιά:
Κατηγοριοποίηση Εικόνων, Τεχνητή Νοημοσύνη, Μηχανική Μάθηση, Τεχνητά Νευρωνικά Δίκτυα, Deep Learning.
Περιγραφή:
52 σ. : εικ., πίν., διαγρ., σχ.
Άδεια χρήσης:
Αναφορά Δημιουργού – Μη Εμπορική Χρήση – Όχι Παράγωγα Έργα 4.0
