Search Results

Now showing 1 - 10 of 162
Thumbnail Image
Item

Motion prediction for traffic scenarios with hybrid recurrent-convolutional neural networks

, Λαγουτάρης, Βασίλειος, Lagoutaris, Vasileios

Self-driving is a very important topic that is being researched both by large automotive organizations and the academic world. The creation and deployment of self-driving vehicles is expected to dramatically reduce road accidents and improve the quality of life of millions of people. However, despite all the attention self-driving vehicles have been getting, they still have a long way to go before matching the performance of the best human drivers. That is because the problem of successfully creating a self-driving vehicle is very complex and consists of multiple subproblems. An essential prerequisite for self-driving to become a reality, is the ability of the self-driving vehicle to be able to anticipate the behavior of other moving agents in its environment. If the self-driving vehicle is able to successfully predict the movement of the agents around it, then it would have an easier time generating the trajectory that it will itself follow, while maximizing safety for everyone. As has happened in many scientific areas within the last few years, deep learning-based methods have dominated this field. These methods are based on Neural Networks which can be Recurrent Neural Networks (RNNs) or Convolutional Neural Networks (CNNs), among others. In this work a few different approaches from each category are presented and compared between each other. The first approaches to tackle the problem of motion prediction that will be presented, are based on Recurrent Neural Networks and more specifically in the encoder-decoder architecture, which has shown great results in time-series applications. In addition, a method from a recent paper based on Convolutional Neural Networks is presented, as CNNs are able to model spatial interactions in images, which often appear in self-driving applications. Finally, two variations of a novel hybrid method that combines Recurrent and Convolutional Neural Networks are presented. This method takes as input a Bird’s Eye View image, which is a representation of the driving scene as it would be viewed from the sky. From this image a Convolutional Neural Network can model the spatial interactions between moving agents. The features it extracts from the image are used in the decoder of a sequence to sequence model to aid with the prediction of the moving agent’s future trajectories. All the examined models were trained and evaluated on the Lyft Level 5 Motion Prediction Dataset, which is the largest and most detailed publicly available self-driving dataset for motion prediction. Moreover, all methods were compared with the results achieved by researchers and professionals in the Kaggle competition titled “Lyft Motion Prediction for Autonomous Vehicles”, that took place in late 2020.

Thumbnail Image
Item

Ευφυής διαχείριση κυκλοφορίας σε αυτοκινητοδρόμους : εκτίμηση shockwave με χρήση νευρωνικών δικτύων

, Γανός, Αριστοτέλης-Ηλίας, Ganos, Aristotelis-Ilias

Στην παρούσα Διατριβή Διπλώματος Ειδίκευσης αναπτύσσεται μια μέθοδος για απόσβεση και αποφυγή κυκλοφοριακών παλμών (Shockwaves). Τα Shockwaves είναι κυκλοφορικοί παλμοί που κυρίως διαδίδονται ανάντη της ροής κυκλοφορίας και απαντώνται, συνήθως, σε αυτοκινητοδρόμους. Οι οδηγοί αναγνωρίζουν τα Shockwaves ως μια συνεχή μεταβολή από κατάσταση κίνησης σε κατάσταση ακινησίας. Κατά κύριο λόγο, οφείλονται στο ότι τα οχήματα κινούνται με διαφορετικές ταχύτητες και πολλοί οδηγοί τείνουν να μεταβάλλουν την ταχύτητα τους απότομα. Ως αποτέλεσμα, μια προσωρινή περιορισμένου μήκους ουρά σχηματίζεται. Η παραπάνω κατάσταση μπορεί να υποστηριχθεί αποσβένοντας ή προλαμβάνοντας Shockwaves με τη χρήση οντοτήτων περιβάλλοντος C-ITS. Με την μετάδοση κατάλληλων μηνυμάτων στους οδηγούς, τα οποία θα προτείνουν βέλτιστες οδηγικές συμπεριφορές, θα είναι δυνατή η απόσβεση ή αποφυγή σχηματισμού shockwave. Στην Διατριβή αναπτύσσεται μια εκτενής βιβλιογραφική ανασκόπηση και η έρευνα τοποθετείται στην διεθνή βιβλιογραφία υπό καινοτόμο πρίσμα. Με την ανάλυση κυκλοφοριακών δεδομένων από τον αυτοκινητόδρομο της Μινεσότα I-94W, αναπτύχθηκαν και εκπαιδεύτηκαν Νευρωνικά Δίκτυα για την ανίχνευση Shockwave και για την ανίχνευση καταστάσεων όπου υπάρχει υψηλή πιθανότητα σχηματισμού Shockwave. Αυτά τα Νευρωνικά Δίκτυα αξιολογήθηκαν με διαφορετικούς τρόπους. Κατόπιν της εκπαίδευσης και εξαγωγής των Νευρωνικών Δικτύων, αναπτύχθηκε η λειτουργία των υπηρεσιών απόσβεσης και πρόληψης. Αναλύθηκαν τα μηνύματα που θα μπορούσαν να σταλούν σε οδηγούς κατά την ανίχνευση τέτοιων καταστάσεων. Στην συνέχεια, αναπτύσσεται η αρχιτεκτονική του συστήματος που θα μπορούσε να υποστηρίξει τις παραπάνω υπηρεσίες και επικοινωνίες. Διαφορετικές αρχιτεκτονικές προτείνονται, αναλόγως με την επιθυμητή πολυπλοκότητα και με το ποσοστό της κυκλοφορίας που αποτελείται από συνδεδεμένα οχήματα. Τέλος, εξετάζεται η αποδοχή από τον χρήστη, πραγματοποιείται ηθική αξιολόγηση των υπηρεσιών και αναπτύσσονται οι τελικές προτάσεις. Στο παράρτημα του τεύχους επισυνάπτονται όλοι οι αλγόριθμοι που αναπτύχθηκαν και χρησιμοποιήθηκαν για ανάλυση δεδομένων και για ανάπτυξη Νευρωνικών Δικτύων.

Thumbnail Image
Item

Machine learning algorithms (specialized in neural networks) for fault identification in smart grids

, Ριζεάκος, Βασίλειος, Rizeakos, Vasileios

The transition from obsolete Distribution Grids with centralized generation factories to a modern smart grid with an increasing Distributed Generation penetration has made DSOs desire a reliable grid protection system. Therefore, research of Distribution Grid surveillance algorithms has been motivated with the main goal of detecting faults in a smart grid, classifying their type and then pinpointing the fault’s location in the network for its immediate restoration. In this field Neural Networks are applied considerably because they dominate categorization problems and become more and more attractive due to their constantly decreasing decision-making times. Therefore, the purpose of the dissertation is to implement a complete application for Fault Location Identification and Classification (FLIC) of error affecting the healthy operation of a Low Voltage (LV) smart grid using Convolutional LSTMs for timeseries processing. Deploying a series of ANNs for Faulty Feeder and Branch Detection, Localization and Fault Type Classification and optimizing their hyperparameter using the Tree-structured Parzen Estimator(TPE) algorithm approach, accuracies of even 97% are reached. In addition, a simulated dataset composition algorithm is presented for LV grid fault timeseries measurements. This work’s target is the generalizability of the effort to all networks that meet certain specifications.

Thumbnail Image
Item

Εφαρμογή τεχνικών εξόρυξης γνώσης στην εκπαίδευση

2012-05-31, Παπανικολάου, Δονάτος, Πιντέλας, Παναγιώτης, Ράγγος, Όμηρος, Καββαδίας, Δημήτριος, Πιντέλας, Παναγιώτης, Papanikolaou, Donatos

Σε αυτή την Διπλωματική εργασία μελετήσαμε με ποιο τρόπο μπορούν να εφαρμοστούν οι διάφορες τεχνικές Εξόρυξης Γνώσης (Data Mining) στην εκπαίδευση. Αυτός ο επιστημονικός τομέας o οποίος ερευνά και αναπτύσσει τεχνικές προκειμένου να ανακαλύψει γνώση από δεδομένα τα οποία προέρχονται από την εκπαίδευση ονομάζεται Εξόρυξη Γνώσης από Εκπαιδευτικά Δεδομένα (Educational Data Mining –EDM. Στην εργασία αυτή εκτός από την θεωρητική μελέτη των αλγορίθμων και των τεχνικών που διέπουν την εξόρυξη γνώσης από δεδομένα γενικά, έγινε και μια λεπτομερέστερη μελέτη και παρουσίαση της κατηγορίας των αλγορίθμων κατηγοριοποίησης (Classification), διότι αυτοί οι αλγόριθμοι χρησιμοποιήθηκαν στην φάση της υλοποίησης/αξιολόγησης. Στην συνέχεια η εργασία επικεντρώθηκε στον τρόπο με τον οποίο μπορούν να εφαρμοστούν αυτοί οι αλγόριθμοι σε εκπαιδευτικά δεδομένα, τι εφαρμογές έχουμε στην εκπαίδευση, ενώ αναφερόμαστε και σε μια πληθώρα ερευνών που έχουν πραγματοποιηθεί πάνω στο συγκεκριμένο αντικείμενο. Στην συνέχεια διερευνήσαμε την εφαρμογή τεχνικών κατηγοριοποίησης στην πρόγνωση της επίδοσης μαθητών Δευτεροβάθμιας Εκπαίδευσης στα μαθήματα της Γεωγραφίας Α’ και Β’ Γυμνασίου. Συγκεκριμένα υλοποιήσαμε και θα αξιολογήσαμε έξι αλγορίθμους οι οποίοι ανήκουν στην ομάδα των αλγορίθμων κατηγοριοποίησης(Classification) και είναι αντιπροσωπευτικοί των σημαντικότερων τεχνικών κατηγοριοποίησης. Από την οικογένεια των ταξινομητών με χρήση δένδρων απόφασης (Decision Tree Classifiers) υλοποιήσαμε τον J48, από τους αλγορίθμους κανόνων ταξινόμησης (Rule-based Classification ) τον Ripper, από τους αλγόριθμους στατιστικής κατηγοριοποίησης τον Naïve Bayes, από την μέθοδο των Κ πλησιέστερων γειτόνων (KNN) τον 3-ΝΝ, από την κατηγορία των τεχνητών νευρωνικών δικτύων τον Back Propagation και τέλος από τις μηχανές διανυσμάτων υποστήριξης (Support Vector Machines SVM) τον SMO (Sequental Minimal Optimazation). Όλες οι παραπάνω υλοποιήσεις και αξιολογήσεις έγιναν με το ελεύθερο λογισμικού Weka το οποίο είναι υλοποιημένο σε Java και το οποίο προσφέρει μια πληθώρα αλγορίθμων μηχανικής μάθησης για να κάνουμε εξόρυξη γνώσης.

Thumbnail Image
Item

Υλοποίηση νευρωνικού δικτύου για την ανίχνευση των υπνικών ατράκτων

, Βακαλάκης, Κωνσταντίνος, Vakalakis, Konstantinos

Τα τελευταία χρόνια όλο και περισσότερο σε διάφορους επιστημονικούς κλάδους κάνουν την εμφάνιση τους τα τεχνητά νευρωνικά δίκτυα τα οποία χρησιμοποιούνται σε πλήθος εφαρμογών. Στο πλαίσιο αυτό και πιο συγκεκριμένα στο κλάδο της βιοιατρικής έγινε χρήση τους για την μελέτη των κυματομορφών του ηλεκτροεγκεφαλογραφήματος με στόχο την πρόωρη πρόληψη ασθενειών. Μια κυματομορφή που αναλύεται για αυτούς τους σκοπούς είναι η υπνική άτρακτος που εμφανίζεται κατά τη διάρκεια του ύπνου. Παράλληλα αξιοσημείωτη είναι και η τεχνολογική ανάπτυξη των τεχνολογιών στα ολοκληρωμένα κυκλώματα των FPGA. Πιο συγκεκριμένα η τεχνολογία Zyng-7000 SoC συνδυάζει τα FPGA με ένα ολοκληρωμένο σύστημα επεξεργαστή παρέχοντας στους σχεδιαστές τη δυνατότητα να υλοποιούν συστήματα και εφαρμογές με πολύ μεγάλες απαιτήσεις. Στη παρούσα διπλωματική εργασία κατασκευάστηκε ένα τεχνητό νευρωνικό δίκτυο για την ανίχνευση των υπνικών ατράκτων και εν συνεχεία υλοποιήθηκε σε board τεχνολογίας Zyng-7000. Αρχικά έγινε μια επιβλεπόμενη εκπαίδευση στο τεχνητό νευρωνικό δίκτυο χρησιμοποιώντας για το σκοπό ένα ζεύγος εισόδου και επιθυμητής τιμής εξόδου. Το σήμα εισόδου ήταν ένα φιλτραρισμένο ΗΕΓ. Το εκπαιδευμένο αυτό δίκτυο είναι το θεωρητικό μοντέλο το οποίο στη συνέχεια υλοποιείται στο board. Η μεταφορά των δεδομένων εισόδου και εξόδου του board πραγματοποιήθηκε μέσω ενός ζεύγους server-client, με χρήση καλωδίου, και του πρωτοκόλλου TCP/IP. Tον ρόλο του server ανέλαβε το board με στόχο να εξυπηρετεί οποιονδήποτε client που συνδέεται σε αυτόν. Στο τέλος πραγματοποιήθηκε η σύγκριση του θεωρητικού μοντέλου και της υλοποίησης στο hardware για την αξιολόγηση της hardware σχεδίασης.

Thumbnail Image
Item

Διάγνωση καρδιακών ασθενειών με ευφυείς μεθόδους

, Καραδήμος, Νικόλαος, Karadimos, Nikolaos

Ένα από τα πιο σημαντικά ζητήματα στον τομέα της Ιατρικής είναι η έγκαιρη και έγκυρη διάγνωση ασθενειών. Για τον σκοπό αυτό έχουν χρησιμοποιηθεί διάφορες μέθοδοι μηχανικής μάθησης, οι οποίες μπορούν να δώσουν ακριβή αποτελέσματα σε σύντομο χρονικό διάστημα. Μια ενδιαφέρουσα και αποτελεσματική μέθοδος είναι αυτή των νευρωνικών δικτυών. Η ιστορία των νευρωνικών δικτύων ξεκινάει περίπου την δεκαετία του 1940 και 1950, με αφετηρία τον νευρώνα των McCulloch-Pitts, ενώ παράλληλα έκανε την εμφάνισή του και ο πρώτος αλγόριθμος εκπαίδευσης, o γνωστός Perceptron. Τα τελευταία χρόνια με την ραγδαία εξέλιξη των υπολογιστικών πόρων (CPUs, GPUs κτλ) και με την συσσώρευση τεράστιου όγκου δεδομένων, τα νευρωνικά δικτύα βρίσκουν ολοένα και περισσότερη εφαρμογή σε διάφορους τομείς της επιστήμης μεταξύ των οποίων είναι και η Ιατρική. Ιδιαιτερά στον τομέα της Ιατρικής τα νευρωνικά δίκτυα και η βαθειά μηχανική μάθηση (deep learning) χρησιμοποιούνται ευρέως και με ικανοποιητική αποτελεσματικότητα για την διάγνωση διαφόρων ασθενιών και την ληψη αποφάσεων. Στα πλαίσια λοίπoν της εφαρμογής των νευρωνικών δικτυών στον τομέα της Ιατρικής κινείται και η παρούσα διπλωματική εργασία, η οποία ασχολείται με ένα ιδιαίτερα ενδιαφέρον ζήτημα της διάγνωσης καρδιακών αρρυθμιών και συγκεκριμένα της κολπικής μαρμαρυγής, με την χρήση νευρωνικών δικτύων και τεχνικών βαθειάς μηχανικής μάθησης. Για τις ανάγκες της εργασιάς χρησιμοποιήθηκαν ηλεκτροκαρδιογραφήματα δύο κατηγορίων. Η μια κατηγορία αφόρα άτομα με φυσιολογική δραστηριότητα της καρδιάς, ενώ η άλλη κατηγορία αφόρα ασθενείς οι οποίοι διαγνώστηκαν με κολπική μαρμαρυγή. Για την συλλογή των δεδομένων χρησιμοποιήθηκε η πλατφόρμα Physionet και στην συνέχεια με την κατάλληλη επεξεργασία τα ηλεκτροκαρδιογραφήματα χρησιμοποιήθηκαν ως είσοδος ενός νευρωνικού δικτύου 8 κρυφών επιπέδων. Για την εκπαίδευση του νευρωνικού δικτύου έγιναν αρκετές δοκιμές κυριώς όσον αφορά των αριθμό των επίπεδων τον αριθμό των νευρώνων ανά επίπεδο, το ρυθμό εκπαίδευσης και άλλων παραμέτρων τα οποία παρούσιαζονται αναλυτικότερα σε παρακάτω κεφάλαια. Ως γλώσσα προγραμματισμού χρησιμοποιήθηκε η Python, η οποία τα τελευταία χρόνια είναι αρκετά δημοφιλής στον τομέα της τεχνητής νοημοσύνης και της μηχανικής μάθησης καθώς διαθέτει μια πληθώρα βιβλιοθηκών, όπως Tensorflow, Keras κτλ.

Thumbnail Image
Item

Εύρεση σχεδιαστικών αποκλίσεων αντικειμένων με υφή

2009-05-25T15:55:36Z, Πρινόπουλος, Σαράντης, Δερματάς, Ευάγγελος, Δερματάς, Ευάγγελος, Στουραίτης, Θάνος, Prinopoulos, Sarantis

Αυτή η εργασία μελετά την εφαρμογή προηγμένων τεχνικών επεξεργασίας εικόνας από υπολογιστές για την επίλυση του προβλήματος της ανίχνευσης ατελειών σε υφάσματα από τις βιομηχανίες παραγωγής υφασμάτων. Προτείνεται μία νέα μέθοδος ανίχνευσης ατελειών, η οποία αποτελείται από ένα περιττό συμμετρικό φίλτρο Gabor πραγματικών τιμών, ένα άρτιο συμμετρικό φίλτρο Gabor πραγματικών τιμών και ένα φίλτρο εξομάλυνσης. Κατά την ανάπτυξη της μεθόδου, τα φίλτρα Gabor σχεδιάζονται με βάση τα χαρακτηριστικά του texture που εξάγονται βέλτιστα από μία εικόνα ενός μη ελαττωματικού υφάσματος με τη χρήση ενός Gabor Wavelet Network (GWN). Η απόδοση της προτεινόμενης μεθόδου αξιολογείται με τη χρήση ενός σετ εικόνων υφασμάτων που προέρχονται από μία βάση δεδομένων που περιέχει μία μεγάλη ποικιλία εικόνων ομογενών υφασμάτων. Τα αποτελέσματα παρουσιάζουν ακρίβεια στην ανίχνευση ατελειών με πολύ λίγες λάθος ανιχνεύσεις, από όπου φαίνεται η αποτελεσματικότητα της προτεινόμενης μεθόδου. Τα πειραματικά αποτελέσματα επιβεβαίωσαν τις δυνατότητες της μεθόδου και ένας υπολογισμός του υπολογιστικού φορτίου που χρειάζεται για την υλοποίηση της έδειξε ότι μπορεί να χρησιμοποιηθεί ακόμα και σε συστήματα ανίχνευσης πραγματικού χρόνου.

Thumbnail Image
Item

Ανάπτυξη αλγορίθμου βαθιάς ενισχυτικής μάθησης στο παιχνίδι MsPacman της πλατφόρμας Atari

, Καραμπίνης, Ιωάννης, Karampinis, Ioannis

Η παρούσα διπλωματική εργασία πραγματεύεται την ανάπτυξη αλγορίθμου βαθιάς ενισχυτικής μάθησης σε περιβάλλον παιχνιδιού. Στο πέρασμα των χρόνων, η τεχνολογική κοινότητα επιδιώκει να εντάξει τη συμπεριφορά των ζωντανών οργανισμών, η οποία μεταβάλλεται κατά τη διάρκεια της ζωής τους μέσω της εκπαίδευσης, στα διάφορα τεχνολογικά επιτεύγματα. Ο χώρος της μηχανικής μάθησης και ειδικότερα της ενισχυτικής μάθησης, βασιζόμενος στο παραπάνω δόγμα, δημιουργεί πράκτορες οι οποίοι δύναται να μαθαίνουν διαμέσου της συνεχούς αλληλεπίδρασης με το περιβάλλον. Ωστόσο, τα σύγχρονα προβλήματα εξαιτίας της μεγάλης πολυπλοκότητάς τους, έχουν θεσπίσει ορισμένους περιορισμούς ως προς την εφαρμογή των αλγορίθμων της ενισχυτικής μάθησης. Η λύση δίδεται μέσω της μίμησης ενός βιολογικού μηχανισμού, των νευρωνικών δικτύων. Η αποτελεσματική εφαρμογή τους σε προβλήματα μεγάλης διαστασιμότητας του ευρύτερου χώρου της τεχνητής νοημοσύνης οδήγησε στην ενσωμάτωσή τους στους αλγορίθμους ενισχυτικής μάθησης. Δημιουργήθηκε με αυτόν τον τρόπο ένα νέο επιστημονικό πεδίο, αυτό της βαθιάς ενισχυτικής μάθησης. Στα πλαίσια της εργασίας υλοποιήθηκαν παραλλαγές των αλγορίθμων βαθιάς ενισχυτικής μάθησης DQN, double DQN, duel DQN και noisy DQN, αναπτύσσοντας τους αντίστοιχους πράκτορες. Το περιβάλλον αλληλεπίδρασης που επιλέχθηκε ήταν κλασσικό παιχνίδι MsPacman της πλατφόρμας Atari 2600. Ο εκάστοτε πράκτορας σε μία ανθρωποκεντρική προσέγγιση, εκπαιδεύεται με τη βοήθεια οπτικών παρατηρήσεων και της ανταμοιβής που δέχεται από το περιβάλλον. Βασικός σκοπός είναι η εκμάθηση του μοντέλου του περιβάλλοντος, που συνοδεύεται με υψηλή συνολική ανταμοιβή στην ολοκλήρωση κάθε παιχνιδιού. Οι πράκτορες αφού εκπαιδεύτηκαν για ορισμένο χρονικό διάστημα, αξιολογήθηκαν ως προς την απόδοσή τους. Στο τέλος της εργασίας παρουσιάζονται τα πειραματικά αποτελέσματα της μελέτης, ενώ παρατίθενται προτάσεις για μελλοντικές βελτιώσεις.

Thumbnail Image
Item

Πρόβλεψη χρηματιστηριακών τιμών μετοχών με χρήση στατιστικών μοντέλων και μεθόδων μηχανικής μάθησης για την εκτίμηση της επίδοσης ανταγωνιστικών εταιρειών

, Πανταζής, Παύλος, Pantazis, Pavlos

Η αυξανόμενη διαθεσιμότητα υπολογιστικών πόρων σε συνδυασμό με τις εξελίξεις των τελευταίων ετών τόσο σε επίπεδο λογισμικού όσο και σε επίπεδο υλικού, μας παρέχουν τη δυνατότητα υλοποίησης σύνθετων διεργασιών αλλά και χρήσης υπολογιστικών μοντέλων, τα οποία στο παρελθόν είχαν πολύ υψηλό υπολογιστικό κόστος. Έτσι, η εφαρμογή των εργαλείων της επιστήμης των υπολογιστών έχει αυξηθεί ραγδαία αλλάζοντας πολλά ερευνητικά και επαγγελματικά πεδία. Ένας από τους πλέον δημοφιλέστερους τομείς της επιστήμης των υπολογιστών είναι η μηχανική μάθηση και πιο συγκεκριμένα τα νευρωνικά δίκτυα. Τα νευρωνικά δίκτυα χρησιμοποιούνται σε ένα ευρύ φάσμα εφαρμογών από την ανάλυση εικόνων σε πραγματικό χρόνο για την ταυτοποίηση προσώπων μέχρι την πρόβλεψη χρονοσειρών. Σκοπός της διπλωματικής εργασίας είναι η πρόβλεψη των ημερήσιων τιμών των μετοχών που συμπεριλαμβάνονται στο δείκτη Standard and Poor’s 500. Οι προβλέψεις παράγονται από μεθόδους μηχανικής μάθησης και κυρίως από νευρωνικά δίκτυα, οι επιδόσεις των οποίων επιδιώκεται να βελτιωθούν. Στη συνέχεια με βάση τις παραγόμενες προβλέψεις εξετάζεται εάν μπορεί να υλοποιηθεί μία κερδοφόρα στρατηγική επενδύσεων κάνοντας χρήση μεθόδων βελτιστοποίησης χαρτοφυλακίου. Τελικά αποδεικνύεται πως ο συνδυασμός προβλέψεων υψηλής ακρίβειας με μεθόδους βελτιστοποίησης χαρτοφυλακίου μπορεί να αποτελέσει μία κερδοφόρα στρατηγική ωστόσο δεν είναι βέβαιο πως η στρατηγική αυτή θα αποδίδει περισσότερο από τον δείκτη S&P 500.

Thumbnail Image
Item

Επεξεργασία εικόνας και εξαγωγή χαρακτηριστικών γνωρισμάτων : νευρωνικά δίκτυα

2010-12-27T08:24:05Z, Διπλάρης, Σπύρος, Ράγγος, Όμηρος, Ράγγος, Όμηρος, Diplaris, Spiros

Έχουν αναπτυχθεί και συνεχίζουν να αναπτύσσονται τεχνικές με τις οποίες ένα σύστημα μπορεί να εντοπίζει διάφορα χαρακτηριστικά μέσα σε μια εικόνα. Κάποιες βασικές τεχνικές θα αναφερθούν στις επόμενες παραγράφους. Το περιβάλλον όμως συνεχώς μεταβάλλεται και συνεπώς τα διάφορα αντικείμενα μέσα σε αυτό δεν είναι πάντα ίδια. Έτσι πολλές φορές η κατασκευή κάποιου αλγορίθμου, ο οποίος θα δίνει καλή απάντηση σε κάποιο πρόβλημα που έχει σχέση με την εξαγωγή χαρακτηριστικών μιας εικόνας, είναι δύσκολη. Σε αυτό το σημείο σημαντική είναι η βοήθεια που προσφέρουν τα Τεχνητά Νευρωνικά Δίκτυα με την ικανότητα μίμησης, μάθησης και μνήμης που διαθέτουν. Η επεξεργασία εικόνας σε συνεργασία με τα Τεχνητά Νευρωνικά Δίκτυα παράγουν αποτελέσματα με πολύ ικανοποιητικό βαθμό επιτυχίας.