| Περίληψη: | Σε αυτή την διπλωματική εργασία θα μελετήσουμε αρχικά τις πιο πρόσφατες τεχνικές που υπάρχουν τόσο για ταξινόμηση εικόνων αλλά και για ανίχνευση αντικειμένων. Θα αναλύσουμε στον αναγνώστη κάποιες βασικές θεωρητικές έννοιες για τα 2 πεδία που ερευνήσαμε, καθώς αποτελούν χρήσιμο υπόβαθρο για την μελέτη του κυρίως μέρους της υλοποίησης αυτών των τεχνικών.
Θα παρουσιάσουμε μια τεχνική διαδικασία περιγραφής των παραπάνω τεχνικών που θα περιλαμβάνει και κάποια κομμάτια κώδικα, αλλά και της προεργασίας και
διαμόρφωσης των διαφόρων dataset εικόνων που θα χρησιμοποιηθούν για την επίτευξη της ταξινόμησης και ανίχνευσης αντικειμένων, με διαδικασίες μη επιτηρούμενης και επιτηρούμενης μάθησης. Συγκεκριμένα θα δούμε στην διαδικασία της μη επιτηρούμενης μάθησης, ταξινόμηση μέσω ενός μοντέλου
το οποίο χωρίς επίβλεψη, και χρησιμοποιώντας τον αλγόριθμο κ-μέσο (K-means) και την τεχνική μείωσης PCA (Principal-Component-Analysis) θα
μάθει τα “κρυμμένα γνωρίσματα” στα δεδομένα εισόδου
που θα του τροφοδοτήσουμε και θα μας διαμερίσει το
dataset μας σε clusters.Έπειτα θα ακολουθήσουμε τεχνικές επιτηρούμενης μάθησης, με ταξινόμηση και ανίχνευση αντικειμένου. Θα αναπτύξουμε ένα νευρωνικό δίκτυο, το οποίο αρχικά θα εκπαιδεύσουμε σε ένα γνωστό dataset με σκάφοι της πλατφόρμας kaggle, για να παρατηρήσουμε την αποδοτικότητα του, και έπειτα θα το εκπαιδεύσουμε στο δικό μας dataset, για να προβλέπει τις δικές μας κλάσεις και θα πάρουμε κάποιες μετρήσεις. Ακολούθως θα βασιστούμε σε μια αρχιτεκτονική συνελικτικού νευρωνικού δικτύου, θα δούμε πως μπορούμε να δώσουμε ετικέτες στα dataset μας, καθώς και κάποια preprocessing steps όπως κλώνοι εικονών του dataset με διαφορετικές αποχρώσεις, και θα εκπαιδεύουμε
το νευρωνικό έτσι ώστε να βρίσκει τα αντικείμενα και τις κλάσεις τους μαζί με τις πιθανότητες ευστοχίας, για κλάσεις όπως Sailboat, Catamaran, Υacht, και άλλες.
Τέλος θα γίνει μια παρουσίαση των αποτελεσμάτων και δοκιμών από τις τεχνικές που χρησιμοποιήσαμε στις εικόνες, όπως το πόσο αποτελεσματική ήταν η προσέγγιση με μη επιτηρούμενη μάθηση, το ποσοστό ακρίβειας που
πετύχαμε στο πρώτο νευρωνικό που ήταν 77%, και τις γραφικές
παραστάσεις στο μοντέλο ανίχνευσης
αντικειμένων το οποίο και είχε τα καλύτερα αποτελέσματα αφού πέτυχε σε κάποιες κλάσεις μέχρι και 0.92% ευστοχία. Τέλος θα γίνει σχολιασμός και παρουσίαση των αποτελεσμάτων που προέκυψαν από τις 2 τεχνικές
μηχανικής μάθησης.
|
|---|
