Εξόρυξη γνώσης από εικόνες
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...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2018
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/11665 |
| id |
nemertes-10889-11665 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Τεχνητά νευρωνικά δίκτυα Μηχανές διανυσμάτων υποστήριξης Artificial neural networks Support vector machines 006.42 |
| spellingShingle |
Τεχνητά νευρωνικά δίκτυα Μηχανές διανυσμάτων υποστήριξης Artificial neural networks Support vector machines 006.42 Μπαλασοπούλου, Αθανασία Εξόρυξη γνώσης από εικόνες |
| description |
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. |
| author2 |
Κωτσιαντής, Σωτήρης |
| author_facet |
Κωτσιαντής, Σωτήρης Μπαλασοπούλου, Αθανασία |
| format |
Thesis |
| author |
Μπαλασοπούλου, Αθανασία |
| author_sort |
Μπαλασοπούλου, Αθανασία |
| title |
Εξόρυξη γνώσης από εικόνες |
| title_short |
Εξόρυξη γνώσης από εικόνες |
| title_full |
Εξόρυξη γνώσης από εικόνες |
| title_fullStr |
Εξόρυξη γνώσης από εικόνες |
| title_full_unstemmed |
Εξόρυξη γνώσης από εικόνες |
| title_sort |
εξόρυξη γνώσης από εικόνες |
| publishDate |
2018 |
| url |
http://hdl.handle.net/10889/11665 |
| work_keys_str_mv |
AT mpalasopoulouathanasia exoryxēgnōsēsapoeikones AT mpalasopoulouathanasia imageclassification |
| _version_ |
1771297160759869440 |
| spelling |
nemertes-10889-116652022-09-05T05:37:39Z Εξόρυξη γνώσης από εικόνες Image classification Μπαλασοπούλου, Αθανασία Κωτσιαντής, Σωτήρης Kotsiantis, Sotiris Balasopoulou, Athanasia Τεχνητά νευρωνικά δίκτυα Μηχανές διανυσμάτων υποστήριξης Artificial neural networks Support vector machines 006.42 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. The main subject of the present Bachelor thesis is a very important achievement of the field of computer vision which is the recognition of patterns and faces through images. More specifically, we will focus on the study, design and development of a system/program that will be able to recognize patterns and faces into the images it receives. In order to accomplish this task, we will utilize techniques such as principal component analysis, support vector machines (SVM) and artificial neural networks (ANN). The 1st Chapter deals with the field of computer vision and its importance in recognizing patterns and faces through images. It also mentions the way in which a computer vision system generally works and the problems it faces. Finally, the necessity of data mining through images, for the successful operation of the system, is emphasized. In Chapter 2, initially, provides a description of the steps to be taken to extract useful information from the images. The problem of identifying individuals and the individual steps that make up the subject is described below. Finally, there are mentioned some methods that can be used to identify people. Chapter 3 discusses the importance of reducing the dimension of a dataset and the technique of principal component analysis, with which we can make this reduction happen. Initially, we present the mathematical foundations of the method, and then we analyze the process that we must follow to identify faces through images, using the principal component analysis technique. In Chapter 4 we study the field of machine learning and some classification methods. Initially, support vector machines (SVMs) and the problem of finding the optimal hyperline in linear and non-linear separable data, are presented. Reference is also made to kernel functions and their utility in non-linearly separable data. Finally, we describe the model of artificial neural networks as well as their architecture. Chapter 5 deals with Deep Learning which is a field of machine learning and with a specific type of artificial neural networks, the convolutional neural networks (CNN), their architecture and the way they function as far as the pattern recognition is concerned. This paper closes with Chapter 6, describing the two experiments that are to be implemented and using the classification methods discussed in the previous chapters, we get our results. 2018-10-11T08:24:12Z 2018-10-11T08:24:12Z 2018-06-21 Thesis http://hdl.handle.net/10889/11665 gr 0 An error occurred getting the license - uri. application/pdf |
