| Περίληψη: | Η παρούσα προπτυχιακή εργασία ασχολείται με ένα σημαντικό έργο του τομέα της υπολογιστικής όρασης, που είναι η αναγνώριση προτύπων και προσώπων μέσα από εικόνες. Πιο συγκεκριμένα, θα αφοσιωθούμε στη μελέτη, στη σχεδίαση και στη δημιουργία ενός συστήματος, που θα αναγνωρίζει πρότυπα και πρόσωπα, στις εικόνες που θα λαμβάνει. Για τη δημιουργία αυτή, θα χρησιμοποιήσουμε τεχνικές όπως, την ανάλυση σε κύριες συνιστώσες, τις μηχανές υποστήριξης διανυσμάτων (SVM) και τα τεχνητά νευρωνικά δίκτυα.
Το Κεφάλαιο 1 ασχολείται με το πεδίο της υπολογιστικής όρασης και τη σημαντικότητά του στην αναγνώριση προτύπων και προσώπων μέσα από εικόνες. Επίσης, αναφέρεται ο τρόπος που λειτουργεί γενικά ένα σύστημα υπολογιστικής όρασης καθώς και τα προβλήματα που αυτό αντιμετωπίζει. Τέλος, τονίζεται η αναγκαιότητα της εξόρυξης γνώσης μέσα από εικόνες, για την επιτυχή λειτουργία του συστήματος.
Στο Κεφάλαιο 2 αρχικά, γίνεται μια περιγραφή των σταδίων που πρέπει να υλοποιηθούν, για την εξόρυξη χρήσιμων πληροφοριών από τις εικόνες. Στη συνέχεια, περιγράφεται το πρόβλημα της αναγνώρισης προσώπων καθώς και τα επιμέρους στάδια που το απαρτίζουν. Τέλος, αναφέρονται κάποιες μέθοδοι, με τις οποίες μπορεί να πραγματοποιηθεί η αναγνώριση προσώπων.
Στο Κεφάλαιο 3 αναφέρεται η σπουδαιότητα της μείωσης της διάστασης ενός συνόλου δεδομένων και η τεχνική της ανάλυσης σε κύριες συνιστώσες, με την οποία μπορούμε να υλοποιήσουμε αυτήν τη μείωση. Αρχικά, παρουσιάζουμε τα μαθηματικά θεμέλια της μεθόδου και στη συνέχεια αναλύουμε την διαδικασία που πρέπει να ακολουθήσουμε για να αναγνωρίσουμε πρόσωπα μέσα από εικόνες, χρησιμοποιώντας την τεχνική της ανάλυσης σε κύριες συνιστώσες.
Στο Κεφάλαιο 4 μελετάμε το πεδίο της μηχανικής μάθησης και κάποιες μεθόδους ταξινόμησης. Στην αρχή παρουσιάζονται οι μηχανές υποστήριξης διανυσμάτων (SVM) και το πρόβλημα εύρεσης του βέλτιστου υπερεπιπέδου σε γραμμικά και σε μη γραμμικά διαχωρίσιμα δεδομένα. Γίνεται αναφορά επίσης, στις συναρτήσεις πυρήνα και στη χρησιμότητά τους στα
μη γραμμικά διαχωρίσιμα δεδομένα. Τέλος, περιγράφεται το μοντέλο των τεχνητών νευρωνικών δικτύων καθώς και η αρχιτεκτονική τους.
Το Κεφάλαιο 5 ασχολείται με τη Βαθιά Μάθηση (Deep Learning) που είναι τομέας της μηχανικής μάθησης και με ένα συγκεκριμένο είδος τεχνητών νευρωνικών δικτύων, τα συνελικτικά νευρωνικά δίκτυα (CNN), την αρχιτεκτονική αυτών αλλά και τον τρόπο λειτουργίας τους στην αναγνώριση προτύπων.
Η εργασία κλείνει με το κεφάλαιο 6, στο οποίο περιγράφονται τα δύο πειράματα που θα υλοποιηθούν και χρησιμοποιώντας τις μεθόδους ταξινόμησης που αναλύονται στα προηγούμενα κεφάλαια, λαμβάνουμε τα αποτελέσματά μας.
|
|---|
