Ταυτοποίηση γουνοφόρων ζώων με χρήση συνελικτικού νευρωνικού δικτύου βαθιάς μάθησης

Ντίμο, Έλιος

dc.contributor.advisor	Βασιλάς, Νικόλαος
dc.contributor.author	Ντίμο, Έλιος
dc.date.accessioned	2023-07-21T07:36:53Z
dc.date.available	2023-07-21T07:36:53Z
dc.date.issued	2023-07-13
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/4766
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-4604
dc.description.abstract	Η βαθιά μάθηση αποτελεί υποκατηγορία της μηχανικής μάθησης και μέρος της είναι η εκπαίδευση και χρήση συνελικτικών νευρωνικών δικτύων (CNN) για την αναγνώριση και ταυτοποίηση εικόνων. Αναγνωρίζουν μοτίβα και χαρακτηριστικά σε εικόνες με την εφαρμογή πολλαπλών στρωμάτων φίλτρων μεταβιβάζοντας κάθε φορά της πληροφορίες στο επόμενο επίπεδο. Ο στόχος της παρούσας διπλωματικής εργασίας είναι η δημιουργία ενός μοντέλου που θα αναγνωρίζει μοτίβα γουνοφόρων ζώων σύμφωνα με τα δεδομένα που του δώσαμε για την εκπαίδευση. Συγκεκριμένα έχουμε 30 κλάσεις γουνοφόρων και το μοντέλο θα πρέπει να αναγνωρίζει ζώα που ανήκουν μέσα σε αυτές τις 30 κλάσεις. Ένα δίκτυο βαθιάς μάθησης έχει την ικανότητα να λαμβάνει αποφάσεις με βάση τα δεδομένα στα οπαία εκπαιδεύεται. Γι’ αυτό λοιπόν η συλλογή και ομοιόμορφη κατανομή των δεδομένων αποτελεί ένα απο τα πιο σημαντικά κομμάτια της όλης διαδικασίας. Κάθε κλάση χωρίζεται σε 3 πεδία train, validation και test set με 800, 100 και 100 εικόνες κατά αντιστοιχία. Για να καταλήξουμε στο τελικό μοντέλο έγιναν πολλοί πειραματισμοί. Δημιουργήθηκαν διάφορα CNN μοντέλα ποικίλων επιπέδων τα οποία χτίστηκαν απο το μηδέν χωρίς όμως να δίνουν τα επιθυμητά αποτελέσματα. Χάρις σε αυτό όμως έγινε καλύτερη κατανόηση του προβλήματος οδηγώντας στην εφαρμογή μια τεχνικής που ονομάζεται μάθηση μεταφοράς που αξιοποιεί τις αρχιτεκτονικές και χαρακτηριστικά που έχουν εξαχθεί από άλλα μοντέλα. Στην προκειμένου περίπτωση έγινε χρήση του VGG16 που μας έδωσε ικανοποιητικά αποτελέσματα.	el
dc.format.extent	62	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/4.0/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Ταυτοποίηση	el
dc.subject	Μάθηση μεταφοράς	el
dc.title	Ταυτοποίηση γουνοφόρων ζώων με χρήση συνελικτικού νευρωνικού δικτύου βαθιάς μάθησης	el
dc.title.alternative	Identification of fur animals using a deep convolutional neural network	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Μπαρδής, Γεώργιος
dc.contributor.committee	Μυλωνάς, Φοίβος-Απόστολος
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών	el
dc.description.abstracttranslated	Deep learning is a subset of machine learning and part of it is the training and use of convolutional neural networks (CNNs) for image recognition and identification. They recognize patterns and features in images by applying multiple layers of filters, each time passing the information to the next layer. The objective of this thesis is to create a model that recognizes furbearing animal patterns according to the data we provided for training. Specifically, we have 30 classes of furbearers and the model should recognize animals that belong within these 30 classes. A deep learning network has the ability to make decisions based on the data it is trained on. Therefore, the collection and uniform distribution of data is one of the most important parts of the whole process. Each class is divided into 3 fields of train, validation and test sets with 800, 100 and 100 images respectively. To arrive at the final model many experiments were done. Several CNN models of varying levels were created which were built from scratch without giving the desired results. Thanks to this, however, a better understanding of the problem was gained, leading to the application of a technique called transfer learning that exploits architectures and features extracted from other models. In this case we used VGG16 which gave us satisfactory results.	el

Αρχεία σε αυτό το τεκμήριο

Όνομα:: ΔΙΠΛΩΜΑΤΙΚΗ-ΕΛΙΟΣ_ΝΤΙΜΟ.pdf
Μέγεθος:: 2.015Mb
Τύπος:: PDF

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Πληροφορικής και Υπολογιστών

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές

Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές