Please use this identifier to cite or link to this item:
Title: Συνελικτικά νευρωνικά δίκτυα στην υπολογιστική όραση
Other Titles: Convolutional neural networks in computer vision
Authors: Παπαδόπουλος, Αθανάσιος
Keywords: Νευρωνικά δίκτυα
Υπολογιστική όραση
Keywords (translated): Neural networks
Computer vision
Abstract: Η παρούσα διπλωματική εργασία ασχολείται με την μελέτη και υλοποίηση Συνελικτικών Νευρωνικών Δικτύων και την χρήση τους στην υπολογιστική όραση και την επεξεργασία εικόνας. Σκοπός της εργασίας είναι η παροχή της απαραίτητης πληροφορίας για την μελέτη τους τόσο σε θεωρητικό όσο και σε πρακτικό επίπεδο, ξεκινώντας με το πρώτο κεφάλαιο, όπου γίνεται μια σύντομη ανασκόπηση της προέλευσης τους από τα Βιολογικά Νευρωνικά Δίκτυα που απαντώνται σε όλους τους έμβιους οργανισμούς. Στο δεύτερο κεφάλαιο παρουσιάζεται η θεωρία της μηχανικής μάθησης και αναλύονται οι κατηγορίες στις οποίες αυτή χωρίζεται, οι τεχνικές παλινδρόμησης καθώς και μια σύντομη αναφορά στην ταξινόμηση εικόνων. Στο τρίτο κεφάλαιο της εργασίας, παρουσιάζεται η θεωρία που διέπει τα Συνελικτικά Νευρωνικά Δίκτυα, την εξαγωγή χαρακτηριστικών για την περίπτωση των εικόνων, τα είδη των Συνελικτικών Νευρωνικών Δικτύων, οι μονάδες που τα αποτελούν και οι συνδεσμολογίες τους. Στο τέταρτο κεφάλαιο παρουσιάζονται αποτελέσματα εκτέλεσης αλγορίθμων επιβλεπόμενης μάθησης με χρήση αβαθούς αλλά και βαθιάς εκμάθησης για την βάση δεδομένων MNIST και CiFAR-10, με ποσοστά επιτυχίας 97.68% και 99.87% αντίστοιχα για αβαθή και βαθειά επιβλεπόμενη μάθηση στην MNIST και 71.84% βαθειάς εκμάθησης για την CiFAR-10. Τέλος, παρέχεται κώδικας σε MatLab, μια παραλλαγή του κώδικα παρεχόμενου από το Stanford University που υλοποιεί Συνελικτικά Νευρωνικά Δίκτυα με όνομα “Programming exercises for the Stanford Unsupervised Feature Learning and Deep Learning Tutorial”, για την εκτέλεση εκπαίδευσης ενός Αβαθούς Συνελικτικού Νευρωνικού Δικτύου επιβλεπόμενης εκμάθησης ενός επιπέδου συνέλιξης και την επιβεβαίωση των αποτελεσμάτων.
Abstract (translated): The current Msc. Thesis is dealing with the study and implementation of Convolutional Neural Networks and their usage on computer vision and image processing. Purpose of this work is to provide necessary information about studying Convolutional Neural Networks on theoretical and practical level, beginning from the first chapter with a brief review of their provenance from Biological Neural Networks, found in all living organisms. On chapter two, there is a presentation on machine learning and the categories it is divided, the regression techniques and image classification. On the third chapter the theory of Convolutional Neural Networks is presented followed by feature extraction on images, the kinds of Conulutional Neural Networks structured by different kinds of units and their architectures. Finally, at the fourth chapter the results of running supervised algorithms on Shallow and Deep architectures on MNIST and CiFAR-10 datasets are presented, with the success rates of 97.68% and 99.87% respectively and success rate at 71.84% running a supervised Deep architecture on CiFAR-10 database. At the end of this Thesis, the code for the implementation and verification of our results is given, by using a Shallow Convolutional Neural Network on supervised learning and constitutes of a variation of the code given by Stanford University which can be found as “Programming exercises for the Stanford Unsupervised Feature Learning and Deep Learning Tutorial”.
Appears in Collections:Τμήμα Φυσικής (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
PapadopoulosAth(phys).pdf3.74 MBAdobe PDFView/Open

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