Αναγνώριση αντικειμένων από εικόνες με τεχνικές βαθιάς μάθησης
| dc.contributor.advisor | Δερματάς, Ευάγγελος | |
| dc.contributor.author | Παρασκευάς, Ορέστης | |
| dc.contributor.committee | Σγάρμπας, Κυριάκος | |
| dc.contributor.other | Paraskevas, Orestis | |
| dc.date.accessioned | 2019-10-31T20:42:02Z | |
| dc.date.available | 2019-10-31T20:42:02Z | |
| dc.date.copyright | 2019-07-11 | |
| dc.degree | Διπλωματική Εργασία | el |
| dc.description.abstract | Οι τεχνικές βαθιάς μάθησης χρησιμοποιούνται στην αναγνώριση εικόνας με εξαιρετικά αποτελέσματα. Ενώ όμως τα νευρωνικά δίκτυα είναι εκπαιδευμένα με υψηλής ποιότητας εικόνες και χωρίς την παρουσία θορύβου, οι εικόνες που χρησιμοποιούν οι χρήστες συχνά είναι χαμηλής ποιότητας. Δοκιμάζουμε δύο από τα πιο αποδοτικά μοντέλα συνελικτικών νευρωνικών δικτύων χρησιμοποιώντας εικόνας παραμορφωμένες από θόρυβο Gaussian και θόρυβο αλατοπίπερου και μελετάμε την σθεναρότητά τους απέναντι σε αυτούς. Βρίσκουμε ότι ενώ υπάρχει σχετική σθεναρότητα απέναντι στον Gaussian θόρυβο, τα συνελικτικά δίκτυα είναι ευάλωτα στον θόρυβο αλατοπίπερου. Στο δεύτερο μέρος της εργασίας μελετάμε τεχνικές κλασικές αποθορυβοποίησης εικόνας και τις συγκρίνουμε με τεχνικές αποθορυβοποίησης με την χρήση νευρωνικών δικτύων. Το κεφάλαιο 5 της εργασίας παρουσιάστηκε στο 11ο Συνέδριο Φοιτητών Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών στις 19 Απριλίου 2019 στην Θεσσαλονίκη. | el |
| dc.description.translatedabstract | Deep learning methods are used in image recognition with excellent results. Even though neural networks are trained with high quality noise-free images, users usually use low quality images. We study how robust are two of the most efficient convolutional neural networks against Gaussian noise and salt & pepper noise. We find that while they are relatively robust against Gaussian noise, they are vulnerable against salt & pepper noise. In the second part of the thesis we study the classical methods for image denoising and we compare the with image denoising techniques that use neural networks. Chapter 5 was presented in the 11th Electrical & Computer Engineering Student Conference, on April 19th, 2019 in Thessaloniki. | el |
| dc.identifier.uri | http://hdl.handle.net/10889/12749 | |
| dc.language.iso | gr | el |
| dc.rights | 0 | el |
| dc.subject | Βαθιά μάθηση | el |
| dc.subject | Τεχνητή νοημοσύνη | el |
| dc.subject | Επεξεργασία εικόνας | el |
| dc.subject | Αφαίρεση θορύβου | el |
| dc.subject | Αναγνώριση εικόνας | el |
| dc.subject | Συνελικτικά νευρωνικά δίκτυα | el |
| dc.subject.alternative | Deep learning | el |
| dc.subject.alternative | Artificial intelligence | el |
| dc.subject.alternative | Image recognition | el |
| dc.subject.alternative | Image denoising | el |
| dc.subject.alternative | Image recognition | el |
| dc.subject.alternative | Convolutional neural networks | el |
| dc.subject.ddc | 006.37 | el |
| dc.title | Αναγνώριση αντικειμένων από εικόνες με τεχνικές βαθιάς μάθησης | el |
| dc.title.alternative | Object recognition in images using deep learning methods | el |
| dc.type | Thesis | el |