Αυτόματος διαχωρισμός φωτογραφιών και γραφικών υπολογιστή με χρήση τεχνικών βαθιάς μάθησης
Η παρούσα διπλωματική εργασία πραγματεύεται το θέμα του αυτόματου διαχωρισμού φωτογραφιών και γραφικών υπολογιστή με την χρήση τεχνικών βαθιάς μάθησης. Τα τελευταία χρόνια, η ραγδαία εξέλιξη της τεχνολογίας έχει επιφέρει πολυάριθμες θετικές επιπτώσεις στην ζωή του ανθρώπινου είδους, όμως, παράλληλα,...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/14584 |
| id |
nemertes-10889-14584 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Γραφικά υπολογιστή Φωτογραφίες Διαχωρισμός Βαθιά μάθηση Nευρωνικά δίκτυα Computer graphics Photographs Discrimination Deep learning Neural networks |
| spellingShingle |
Γραφικά υπολογιστή Φωτογραφίες Διαχωρισμός Βαθιά μάθηση Nευρωνικά δίκτυα Computer graphics Photographs Discrimination Deep learning Neural networks Αβράμης, Αλέξανδρος Αυτόματος διαχωρισμός φωτογραφιών και γραφικών υπολογιστή με χρήση τεχνικών βαθιάς μάθησης |
| description |
Η παρούσα διπλωματική εργασία πραγματεύεται το θέμα του αυτόματου διαχωρισμού φωτογραφιών και γραφικών υπολογιστή με την χρήση τεχνικών βαθιάς μάθησης. Τα τελευταία χρόνια, η ραγδαία εξέλιξη της τεχνολογίας έχει επιφέρει πολυάριθμες θετικές επιπτώσεις στην ζωή του ανθρώπινου είδους, όμως, παράλληλα, έχουν επέλθει και αρκετά αρνητικά φαινόμενα. Ένα από αυτά είναι κατασκευή «ψεύτικων» εικόνων, με την χρήση ηλεκτρονικών υπολογιστών, οι οποίες είναι υπερβολικά ρεαλιστικές, και είναι αδύνατο το ανθρώπινο μάτι να διακρίνει και να εντοπίσει κάποια διαφορά σε σχέση με τις αληθινές φωτογραφίες. Με την δημιουργία αληθοφανών γραφικών υπολογιστή, ενεδρεύουν διάφοροι κίνδυνοι, όπως, για παράδειγμα, είναι η υποκλοπή ταυτότητας, η παραπληροφόρηση, η χειραγώγηση κ.τ.λ. Η επιστημονική κοινότητα, και κυρίως η κοινότητα της εγκληματολογίας, καλείται να αντιμετωπίσει το πρόβλημα αυτό, και, προφανώς, να αναπτύξει κατάλληλα, αυτόματα, συστήματα που στοχεύουν στην επίλυσή του. Η σύγχρονη εξέλιξη και οι καινοτομίες στον τομέα της μηχανικής μάθησης και, συγκεκριμένα, της βαθιάς μάθησης, δίνουν την δυνατότητα ανάπτυξης τέτοιων ισχυρών συστημάτων, που είναι ικανά αντικρούσουν το πρόβλημα. Παλαιότερα, είχαν δημιουργηθεί συστήματα βασισμένα σε στατιστικά μοντέλα ή σε άλλα είδη μοντέλων, που, γενικότερα, απαιτούν πολύπλοκους υπολογισμούς. Με την χρήση των βαθιών νευρωνικών δικτύων, όλη η διαδικασία του διαχωρισμού των εικόνων, μεταξύ γραφικών υπολογιστή και φωτογραφιών, αυτοματοποιείται και απλοποιείται σε σχέση με τα ήδη υπάρχοντα συστήματα. Στην αυτή την εργασία αναπτύχθηκε το αντίστοιχο λογισμικό σε γλώσσα Python και με την χρήση των βιβλιοθηκών Tensorflow και Keras, το οποίο περιλαμβάνει την κατάλληλη προεπεξεργασία μία βάσης δεδομένων, η οποία αποτελείται από 9700 εικόνες που κατανέμονται ομοιόμορφα στις δύο κατηγορίες. Τέλος, αναπτύχθηκε κώδικας που υλοποιεί τεχνικές fine-tuning και transfer learning για την εκπαίδευση ενός residual neural network, το οποίο κατορθώνει ακρίβεια περίπου 95% και κώδικας ενός απλούστερου μοντέλου 13 επιπέδων το οποίο αγγίζει, περίπου, 86% ακρίβεια. |
| author2 |
Avramis, Alexandros |
| author_facet |
Avramis, Alexandros Αβράμης, Αλέξανδρος |
| author |
Αβράμης, Αλέξανδρος |
| author_sort |
Αβράμης, Αλέξανδρος |
| title |
Αυτόματος διαχωρισμός φωτογραφιών και γραφικών υπολογιστή με χρήση τεχνικών βαθιάς μάθησης |
| title_short |
Αυτόματος διαχωρισμός φωτογραφιών και γραφικών υπολογιστή με χρήση τεχνικών βαθιάς μάθησης |
| title_full |
Αυτόματος διαχωρισμός φωτογραφιών και γραφικών υπολογιστή με χρήση τεχνικών βαθιάς μάθησης |
| title_fullStr |
Αυτόματος διαχωρισμός φωτογραφιών και γραφικών υπολογιστή με χρήση τεχνικών βαθιάς μάθησης |
| title_full_unstemmed |
Αυτόματος διαχωρισμός φωτογραφιών και γραφικών υπολογιστή με χρήση τεχνικών βαθιάς μάθησης |
| title_sort |
αυτόματος διαχωρισμός φωτογραφιών και γραφικών υπολογιστή με χρήση τεχνικών βαθιάς μάθησης |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/14584 |
| work_keys_str_mv |
AT abramēsalexandros automatosdiachōrismosphōtographiōnkaigraphikōnypologistēmechrēsētechnikōnbathiasmathēsēs AT abramēsalexandros automaticdiscriminationofphotosandcomputergraphicswiththeuseofdeeplearningtechniques |
| _version_ |
1771297236302430208 |
| spelling |
nemertes-10889-145842022-09-05T14:11:35Z Αυτόματος διαχωρισμός φωτογραφιών και γραφικών υπολογιστή με χρήση τεχνικών βαθιάς μάθησης Automatic discrimination of photos and computer graphics with the use of deep learning techniques Αβράμης, Αλέξανδρος Avramis, Alexandros Γραφικά υπολογιστή Φωτογραφίες Διαχωρισμός Βαθιά μάθηση Nευρωνικά δίκτυα Computer graphics Photographs Discrimination Deep learning Neural networks Η παρούσα διπλωματική εργασία πραγματεύεται το θέμα του αυτόματου διαχωρισμού φωτογραφιών και γραφικών υπολογιστή με την χρήση τεχνικών βαθιάς μάθησης. Τα τελευταία χρόνια, η ραγδαία εξέλιξη της τεχνολογίας έχει επιφέρει πολυάριθμες θετικές επιπτώσεις στην ζωή του ανθρώπινου είδους, όμως, παράλληλα, έχουν επέλθει και αρκετά αρνητικά φαινόμενα. Ένα από αυτά είναι κατασκευή «ψεύτικων» εικόνων, με την χρήση ηλεκτρονικών υπολογιστών, οι οποίες είναι υπερβολικά ρεαλιστικές, και είναι αδύνατο το ανθρώπινο μάτι να διακρίνει και να εντοπίσει κάποια διαφορά σε σχέση με τις αληθινές φωτογραφίες. Με την δημιουργία αληθοφανών γραφικών υπολογιστή, ενεδρεύουν διάφοροι κίνδυνοι, όπως, για παράδειγμα, είναι η υποκλοπή ταυτότητας, η παραπληροφόρηση, η χειραγώγηση κ.τ.λ. Η επιστημονική κοινότητα, και κυρίως η κοινότητα της εγκληματολογίας, καλείται να αντιμετωπίσει το πρόβλημα αυτό, και, προφανώς, να αναπτύξει κατάλληλα, αυτόματα, συστήματα που στοχεύουν στην επίλυσή του. Η σύγχρονη εξέλιξη και οι καινοτομίες στον τομέα της μηχανικής μάθησης και, συγκεκριμένα, της βαθιάς μάθησης, δίνουν την δυνατότητα ανάπτυξης τέτοιων ισχυρών συστημάτων, που είναι ικανά αντικρούσουν το πρόβλημα. Παλαιότερα, είχαν δημιουργηθεί συστήματα βασισμένα σε στατιστικά μοντέλα ή σε άλλα είδη μοντέλων, που, γενικότερα, απαιτούν πολύπλοκους υπολογισμούς. Με την χρήση των βαθιών νευρωνικών δικτύων, όλη η διαδικασία του διαχωρισμού των εικόνων, μεταξύ γραφικών υπολογιστή και φωτογραφιών, αυτοματοποιείται και απλοποιείται σε σχέση με τα ήδη υπάρχοντα συστήματα. Στην αυτή την εργασία αναπτύχθηκε το αντίστοιχο λογισμικό σε γλώσσα Python και με την χρήση των βιβλιοθηκών Tensorflow και Keras, το οποίο περιλαμβάνει την κατάλληλη προεπεξεργασία μία βάσης δεδομένων, η οποία αποτελείται από 9700 εικόνες που κατανέμονται ομοιόμορφα στις δύο κατηγορίες. Τέλος, αναπτύχθηκε κώδικας που υλοποιεί τεχνικές fine-tuning και transfer learning για την εκπαίδευση ενός residual neural network, το οποίο κατορθώνει ακρίβεια περίπου 95% και κώδικας ενός απλούστερου μοντέλου 13 επιπέδων το οποίο αγγίζει, περίπου, 86% ακρίβεια. This diploma thesis deals with the issue of automatic separation of photos and computer graphics using deep learning techniques. In recent years, the rapid development of technology has brought numerous positive effects on the life of the human species, but at the same time, several negative phenomena have occurred. One of them is the manufacture of "fake" images, using computers, which are too realistic, while it being impossible for the human eye to discern and detect any difference in relation to real photos. With the creation of plausible computer graphics, various risks lie in wait, such as identity theft, misinformation, manipulation, etc. The scientific community, and especially the criminology community, is called upon to address this problem and, obviously, to develop appropriate, automatic systems aimed at solving it. Modern development and innovations in the field of machine learning and, in particular, deep learning, give the possibility of developing such powerful systems that are capable of countering the problem. Previously, systems were created based on statistical models or other types of models, which, more generally, require complex calculations. With the use of deep neural networks, the whole process of classifying images, between computer graphics and photos, is automated and simplified in relation to existing systems. In this diploma thesis, we developed software in the Python programming language and with the use of the TensorFlow and Keras libraries, which include the appropriate database. The database consists of 9700 images evenly distributed in the two categories. Finally, we developed code that implements fine-tuning and transfer learning techniques for the training of a resident neural network, which achieves an accuracy of about 95%, and code for a simpler 13 layers model which reaches about 86% accuracy. 2021-03-03T11:06:15Z 2021-03-03T11:06:15Z 2021-03-01 http://hdl.handle.net/10889/14584 gr application/pdf |
