Συναισθηματική ανάλυση πινάκων με χρήση μηχανικής μάθησης
| datacite.contributor.RelatedPerson | Σπύρος Σιούτας | |
| datacite.contributor.RelatedPerson | Παναγιώτης Χατζηδούκας | |
| datacite.contributor.Supervisor | Ιωάννης Βασιλόπουλος | |
| dc.contributor.author | Νταής, Χρήστος Λουκάς | |
| dc.contributor.other | Ntais, Christos Loukas | |
| dc.date.accessioned | 2025-03-10T07:46:20Z | |
| dc.date.available | 2025-03-10T07:46:20Z | |
| dc.date.issued | 2025-02-19 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η παρούσα διπλωματική εργασία αναφέρεται στη συσχέτιση μεταξύ χρωμάτων και συναισθημάτων στην τέχνη, με απώτερο σκοπό την ανάπτυξη ενός συστήματος μηχανικής μάθησης ικανού να προβλέπει το συναισθηματικό περιεχόμενο ενός πίνακα ζωγραφικής βασισμένο στα αντιπροσωπευτικά χρώματά του. Αρχικά, διεξάχθηκε βιβλιογραφική έρευνα για την κατανόηση του τρόπου με τον οποίο τα χρώματα επηρεάζουν τα συναισθήματα, με βασικό σημείο αναφοράς την έρευνα του ψυχολόγου Kobayashi, η οποία συνδέει συγκεκριμένους συνδυασμούς τριών χρωμάτων με λέξεις που αποτυπώνουν συναισθήματα. Η μεθοδολογία που εφαρμόστηκε περιελάμβανε την αναγνώριση των τριών αντιπροσωπευτικών χρωμάτων ενός πίνακα ζωγραφικής με χρήση του αλγορίθμου ομαδοποίησης K-means. Στη συνέχεια, βασιζόμενοι στην έρευνα του Kobayashi, δημιουργήθηκε το αρχικό σύνολο δεδομένων, το οποίο περιλάμβανε αντιστοιχίσεις μεταξύ συνδυασμών τριών χρωμάτων και λέξεων που περιγράφουν συναισθήματα. Οι αλγόριθμοι SVM, MLP και Random Forest επιλέχθηκαν ως υποψήφιοι για την εκπαίδευση του μοντέλου που θα προβλέπει ένα συναίσθημα από έναν συνδυασμό τριών χρωμάτων, καθώς κρίθηκαν κατάλληλοι για προβλήματα κατηγοριοποίησης πολλαπλών κατηγοριών (mulclass), και ικανοί να χειριστούν δεδομένα υψηλής διάστασης και μη γραμμικές σχέσεις. Για τη διαχείριση της ανισορροπίας των δειγμάτων μεταξύ των κλάσεων και την αύξηση του μεγέθους του συνόλου δεδομένων για την εκπαίδευση του μοντέλου εφαρμόστηκαν τεχνικές oversampling, όπως η μέθοδος SMOTETomek. Οι αλγόριθμοι αξιολογήθηκαν βάσει μετρήσεων όπως η ακρίβεια, η ανάκληση και το F1-score. Για την αποφυγή υπερπροσαρμογής και τη διασφάλιση αξιόπιστων αποτελεσμάτων, εφαρμόστηκε η μέθοδος Strafied K-Fold Cross-Validaon. Επιπλέον, ρυθμίστηκαν οι υπερπαράμετροι των μοντέλων μέσω Grid Search και Randomized Search για τη βελτιστοποίηση της απόδοσής τους. Τα αποτελέσματα έδειξαν ότι το μοντέλο MLP αναδείχθηκε ως το πιο ιδανικό καθώς πέτυχε τις υψηλότερες μετρήσεις αξιολόγησης με τιμή ακρίβειας (Test Accuracy) 95,44% και τα άλλα δύο μοντέλα SVM και Random Forest με τιμές 94,48% και 87,82% αντίστοιχα. Τέλος, δημιουργήθηκε διαδικτυακή εφαρμογή, η οποία επιτρέπει την πρόβλεψη του συναισθήματος μιας εικόνας με βάση τα τρία βασικά της χρώματα. Η εργασία αποτελεί μια πρωτοποριακή προσέγγιση στη μελέτη της σχέσης μεταξύ χρωματικής σύνθεσης και συναισθηματικής αντίδρασης, συμβάλλοντας ουσιαστικά στις πρακτικές εφαρμογές της τεχνητής νοημοσύνης στον τομέα της τέχνης. | |
| dc.description.translatedabstract | This thesis explores the relaonship between colors and emoons in art, with the ulmate goal of developing a machine learning system capable of predicng the emoonal content of a painng based on its representave colors. Inially, a literature review was conducted to understand how colors influence emoons, with the research of psychologist Kobayashi serving as a key reference point. This study links three-color combinaons to emoonal labels. Our methodology included the idenficaon of a painng’s three representave colors using the K-means clustering algorithm., The dataset was created by drawing on Kobayashi’s findings and mapping three-color combinaons to words describing emoons. SVM, MLP, and Random Forest algorithms were chosen for training a model that predicts emoons from three-color combinaons. These algorithms were deemed suitable for mul-class classificaon problems and capable of handling high-dimensional data and non-linear relaonships. To address class imbalance and increase the size of the training dataset, oversampling techniques such as SMOTETomek were applied. The algorithms were evaluated using accuracy, recall, and F1-score. To prevent overfing and ensure reliable results, Strafied K-Fold Cross-Validaon was employed. Addionally, the models’ hyperparameters were fine-tuned via Grid Search and Randomized Search to opmize performance. Results show that the MLP model emerged as the most opmal, achieving the highest evaluaon metrics with a test accuracy of 95.44%, while the other two models, SVM and Random Forest, achieved accuracy values of 94.48% and 87.82%, respecvely. Finally, a web applicaon that allows users to predict the emoon of an image based on its three representave colors was developed . This work represents an innovave approach to understanding the relaonship between color composion and emoonal response, making a significant contribuon to the praccal applicaons of arficial intelligence in the field of art. | |
| dc.identifier.uri | https://hdl.handle.net/10889/29285 | |
| dc.language.iso | el | |
| dc.rights | CC0 1.0 Universal | en |
| dc.rights.uri | http://creativecommons.org/publicdomain/zero/1.0/ | |
| dc.subject | Μηχανική μάθηση | |
| dc.subject | Κατηγοριοποίηση συναισθημάτων | |
| dc.subject.alternative | Machine learning | |
| dc.subject.alternative | Emotion classification | |
| dc.subject.alternative | K-means | |
| dc.subject.alternative | MLP | |
| dc.subject.alternative | Support vector machines (SVMs) | |
| dc.subject.alternative | Random forest | |
| dc.title | Συναισθηματική ανάλυση πινάκων με χρήση μηχανικής μάθησης | |
| dc.title.alternative | Emotional analysis of paintings using machine learning |
Files
Original bundle
1 - 1 of 1
Loading...
- Name:
- ΣΥΝΑΙΣΘΗΜΑΤΙΚΗ ΑΝΑΛΥΣΗ ΠΙΝΑΚΩΝ ΜΕ ΧΡΗΣΗ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ.pdf
- Size:
- 2.29 MB
- Format:
- Adobe Portable Document Format
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 5.02 KB
- Format:
- Item-specific license agreed upon to submission
- Description: