Please use this identifier to cite or link to this item:
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΝεοφύτου, Ανδρέας-
dc.contributor.otherNeofytou, Andreas-
dc.description.abstractΣε αυτή την διπλωματική εργασία θα μελετήσουμε αρχικά τις πιο πρόσφατες τεχνικές που υπάρχουν τόσο για ταξινόμηση εικόνων αλλά και για ανίχνευση αντικειμένων. Θα αναλύσουμε στον αναγνώστη κάποιες βασικές θεωρητικές έννοιες για τα 2 πεδία που ερευνήσαμε, καθώς αποτελούν χρήσιμο υπόβαθρο για την μελέτη του κυρίως μέρους της υλοποίησης αυτών των τεχνικών. Θα παρουσιάσουμε μια τεχνική διαδικασία περιγραφής των παραπάνω τεχνικών που θα περιλαμβάνει και κάποια κομμάτια κώδικα, αλλά και της προεργασίας και διαμόρφωσης των διαφόρων dataset εικόνων που θα χρησιμοποιηθούν για την επίτευξη της ταξινόμησης και ανίχνευσης αντικειμένων, με διαδικασίες μη επιτηρούμενης και επιτηρούμενης μάθησης. Συγκεκριμένα θα δούμε στην διαδικασία της μη επιτηρούμενης μάθησης, ταξινόμηση μέσω ενός μοντέλου το οποίο χωρίς επίβλεψη, και χρησιμοποιώντας τον αλγόριθμο κ-μέσο (K-means) και την τεχνική μείωσης PCA (Principal-Component-Analysis) θα μάθει τα “κρυμμένα γνωρίσματα” στα δεδομένα εισόδου που θα του τροφοδοτήσουμε και θα μας διαμερίσει το dataset μας σε clusters.Έπειτα θα ακολουθήσουμε τεχνικές επιτηρούμενης μάθησης, με ταξινόμηση και ανίχνευση αντικειμένου. Θα αναπτύξουμε ένα νευρωνικό δίκτυο, το οποίο αρχικά θα εκπαιδεύσουμε σε ένα γνωστό dataset με σκάφοι της πλατφόρμας kaggle, για να παρατηρήσουμε την αποδοτικότητα του, και έπειτα θα το εκπαιδεύσουμε στο δικό μας dataset, για να προβλέπει τις δικές μας κλάσεις και θα πάρουμε κάποιες μετρήσεις. Ακολούθως θα βασιστούμε σε μια αρχιτεκτονική συνελικτικού νευρωνικού δικτύου, θα δούμε πως μπορούμε να δώσουμε ετικέτες στα dataset μας, καθώς και κάποια preprocessing steps όπως κλώνοι εικονών του dataset με διαφορετικές αποχρώσεις, και θα εκπαιδεύουμε το νευρωνικό έτσι ώστε να βρίσκει τα αντικείμενα και τις κλάσεις τους μαζί με τις πιθανότητες ευστοχίας, για κλάσεις όπως Sailboat, Catamaran, Υacht, και άλλες. Τέλος θα γίνει μια παρουσίαση των αποτελεσμάτων και δοκιμών από τις τεχνικές που χρησιμοποιήσαμε στις εικόνες, όπως το πόσο αποτελεσματική ήταν η προσέγγιση με μη επιτηρούμενη μάθηση, το ποσοστό ακρίβειας που πετύχαμε στο πρώτο νευρωνικό που ήταν 77%, και τις γραφικές παραστάσεις στο μοντέλο ανίχνευσης αντικειμένων το οποίο και είχε τα καλύτερα αποτελέσματα αφού πέτυχε σε κάποιες κλάσεις μέχρι και 0.92% ευστοχία. Τέλος θα γίνει σχολιασμός και παρουσίαση των αποτελεσμάτων που προέκυψαν από τις 2 τεχνικές μηχανικής μάθησης.el
dc.subjectΠροεργασία δεδομένων εικόναςel
dc.subjectΤαξινόμηση εικόναςel
dc.subjectΑνίχνευση αντικειμένωνel
dc.subjectΤεχνητή νοημοσύνηel
dc.subjectΜηχανική όρασηel
dc.subjectΜηχανική μάθησηel
dc.titleΤαξινόμηση εικόνας και ανίχνευση τύπου σκαφών αναψυχής με τεχνικές μηχανικής μάθησηςel
dc.title.alternativeImage classification and object detection on marine traffic using machine learning techniguesel
dc.description.translatedabstractIn this thesis we will first study the latest techniques that exist both for image classification and for object detection. We will analyze to the reader some basic theoretical concepts for the 2 fields we researched, as they are a useful background for the study of the main part of the implementation of these techniques. We are going to demonstrate a technical process of describing the above techniques that will include some pieces of code is going to analysed, but also the preparation, configuration and preprocessing of the image dataset that will be used to achieve the classification and object detection, with unsupervised and supervised learning processes. Specifically we will see in the process of Unsupervised Learning classification through a model, which without any supervision, and by using the K-means algorithm and dimentionality reduction technique PCA learns the hidden features in the input data that we will feed, and division of the dataset to clusters.Then we will follow Supervised Learning techniques, by image classification and object detection. We will introduce and develop a neural network, which will initially train in a familiar boats dataset from the known competitions of Kaggle platform,to observe it’s efficiency, and then we will train it in our dataset in order to predict our own classes and take some measurements. Next we will rely on a convolutional neural network (CNN) architecture, we will see how we cal label our dataset as well some preprocessing steps like clones of dataset images with different brightness. Furthermore we will train the neural network so that finds objects and their classes along with the possibilities of aptness, for such classes as Sailboat,Catamaran,Yacht and others. Finally, there will be a presentation of the results and tests from the techniques we used in the images, such how effective the Unsupervised learning approach was, the deggree of accuracy that we succeeded in the first neural network which was 77%, and the graphic representations in the object detection model, which had the best results after succeedding in some classes up to 0.92% of aptness. Finally, there will be a commentary on the results that emerged from the 2 techniques of machine learning.el
dc.subject.alternativeImage preprocessingel
dc.subject.alternativeImage classificationel
dc.subject.alternativeObject detectionel
dc.subject.alternativeArtificial intelligenceel
dc.subject.alternativeComputer visionel
dc.subject.alternativeMachine learningel
datacite.contributor.SupervisorΓαροφαλάκης Ιωάννης-
datacite.contributor.RelatedPersonΣιούτας Σπύρος-
datacite.contributor.RelatedPersonΜακρής Χρήστος-
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΔΕ)

Files in This Item:
File Description SizeFormat 
Nemertes_Neofytou(com).pdf4.41 MBAdobe PDFView/Open

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