Please use this identifier to cite or link to this item:
Title: Οπτική αναγνώριση αντικειμένων σε μεγάλες βάσεις δεδομένων
Other Titles: Object detection in large databases
Authors: Κωστόπουλος, Αριστείδης
Keywords: Μηχανική μάθηση
Τεχνητή νοημοσύνη
Συνελικτικά νευρωνικά δίκτυα
Αναγνώριση αντικειμένων
Keywords (translated): Machine learning
Artificial intelligence
Convolutional neural networks
Object detection
Abstract: Η παρούσα διπλωματική εργασία εκπονήθηκε με σκοπό τη μελέτη του προβλήματος οπτικής αναγνώρισης αντικειμένων με τεχνικές βαθιάς μάθησης. Αρχικά, γίνεται μια εισαγωγή στις έννοιες της τεχνητής νοημοσύνης και της μηχανικής μάθησης, με αναφορά στους τύπους μηχανικής μάθησης. Στη συνέχεια, περιγράφεται η συνάρτηση υπόθεσης για την περιγραφή της συσχέτισης εισόδου – εξόδου και η θεωρία των νευρωνικών δικτύων. Παράλληλα, αναλύονται η θεωρία των συνελικτικών νευρωνικών δικτύων, οι αρχές της λειτουργίας τους, οι τύποι των επιπέδων τους και ορισμένες από τις πιο γνωστές αρχιτεκτονικές των συγκεκριμένων δικτύων. Ακολουθούν οι βασικές συναρτήσεις ενεργοποίησης και συναρτήσεις κόστους και παρουσιάζονται οι τεχνικές βελτιστοποίησης και ομαλοποίησης. Ύστερα, εξετάζεται η πράξη της συνέλιξης και η τεχνική της συγκέντρωσης σε εικόνες. Το επόμενο κομμάτι της διπλωματικής πραγματεύεται το πρόβλημα της αναγνώρισης αντικειμένων, με αναφορά σε σχετικούς αλγορίθμους και στην τεχνική fine tuning. Τέλος, παρουσιάζονται οι εφαρμογές που αναπτύχθηκαν συνοδευόμενες από παραδείγματα λειτουργίας τους και παρατίθενται τα συμπεράσματα και τις μελλοντικές κατευθύνσεις των εφαρμογών αυτών.
Abstract (translated): The present thesis has been prepared to study the issue of visual recognition of objects with deep learning techniques. Initially, an introduction is made to the concepts of artificial intelligence and machine learning, with reference to the types of machine learning. The case function for describing the input-output correlation and the theory of neural networks are then described. At the same time, the theory of the convolutional neural networks, the principles of their operation, the types of their levels and some of the most well-known architectures of these networks are analysed. Then, the basic activation and cost functions, and optimization and normalization techniques are presented. The operation of convolution and the technique of concentration in images are examined. The next part of the thesis deals with the problem of object recognition, with reference to relevant algorithms and fine tuning technique. Finally, the applications developed together with examples of their operation are presented and the conclusions and future directions of these applications are set out.
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
Kostopoulos_thesis_final.pdf3.8 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.