| Περίληψη: | Στην παρούσα διπλωματική εργασία θα μελετηθεί σε λεπτομέρεια η λειτουργία μιας ειδικής κατηγορίας Τεχνητών Νευρωνικών Δικτύων που χρησιμοποιούνται ευρέως σε προβλήματα Υπολογιστικής Όρασης και θα πραγματοποιηθεί κατηγοριοποίηση εικόνων σχετικά με το αν περιέχουν καρκινικά κύτταρα. Η υλοποίηση θα πραγματοποιηθεί με χρήση Συνελικτικών Νευρωνικών Δικτύων (Convolutional Neural Networks). Οι εικόνες προς κατηγοριοποίηση που θα χρησιμοποιηθούν θα είναι από ιστοπαθολογικές εξετάσεις, και πιο συγκεκριμένα από το σύνολο δεδομένων PatchCamelyon. Θα υλοποιηθούν και θα δοκιμαστούν διάφορες αρχιτεκτονικές Συνελικτικών Νευρωνικών Δικτύων καθώς και παραλλαγές τους όσον αφορά τις υπέρ-παραμέτρους (hyperparameters) των δικτύων αυτών, και θα παρατεθούν τα αποτελέσματα όσον αφορά την ακρίβεια της κατηγοριοποίησης. Αναλυτικότερα θα συγκρίνουμε ως προς την απόδοση τα δίκτυα που θα υλοποιηθούν και θα εξετάσουμε ποια αρχιτεκτονική πετυχαίνει την καλύτερη απόδοση. Ακόμη θα εξεταστούν με λίγο περισσότερη λεπτομέρεια κάποια ειδικά επίπεδα των Συνελικτικών Νευρωνικών Δικτύων, όπως το BatchNormalization και το Dropout, και η ευεργετική επίδραση που μπορεί να έχει η χρήση τους στην γενικευτική ικανότητα των τελευταίων. Οι μετρικές ακρίβειας που θα χρησιμοποιηθούν είναι οι γνωστές και διαδεδομένες Accuracy, AUC, Precision και Recall, για τις διάφορες επιλογές παραμέτρων. Απώτερος στόχος είναι η κατηγοριοποίηση των εικόνων του συνόλου δεδομένων όσο το δυνατόν πιο αποτελεσματικά. Η υλοποίηση θα πραγματοποιηθεί σε Python με χρήση του Tensorflow 2.0 και της βιβλιοθήκης Keras. Ειδικότερα για την εκτέλεση των πειραμάτων εκμεταλλευτήκαμε πλήρως τους νέους τρόπους και τεχνικές που παρέχει η νέα έκδοση 2.0 του Tensorflow για την εκπαίδευση πάσης φύσεως μοντέλων Μηχανικής και Βαθιάς Μάθησης.
|
|---|
