| Περίληψη: | Στην παρούσα διπλωματική εργασία, επιχειρείται η ανάπτυξη και η συγκριτική αξιολόγηση, ορισμένων παραδοσιακών και πιο σύγχρονων, συστημάτων Βαθιάς Μάθησης, στο πεδίο της υπολογιστικής όρασης και πιο συγκεκριμένα στη δυαδική ταξινόμηση εικόνων. Ορμώμενοι, από την πανδημία του κοροναϊού SARS-CoV-2 ή Covid -19, σε μια προσπάθεια να μελετηθούν αλγόριθμοι Τεχνητής Νοημοσύνης που εν δυνάμει θα μπορούσαν να φανούν χρήσιμοι στην αντιμετώπιση των επιπτώσεων παγκόσμιου αυτού φαινομένου, καταπιανόμαστε με το πρόβλημα της ανίχνευσης σε ακτινογραφίες θώρακα (Chest X-rays , CXRs) των χαρακτηριστικών και των μοτίβων που καθιστούν διακριτό τον ιό Covid-19.
Τα συστήματα νευρωνικών δικτύων, στα πλαίσια της Βαθιάς Μάθησης, που αναπτύχθηκαν για την εκπόνηση αυτής της εργασίας, αφορούν καταρχάς στα Συνελικτικά Νευρωνικά Δίκτυα ή Convolutional Neural Networks (CNN). Στη συνέχεια, κατασκευάζεται και αξιολογείται ένα υβριδικό μοντέλο Συνελικτικών Νευρωνικών Δικτύων και Δικτύων Μακράς Βραχυπρόθεσμης Μνήμης, CNN – LSTM, για τον έλεγχο της αποτελεσματικότητας συστημάτων που παραδοσιακά δεν συσχετίζονται με προβλήματα ταξινόμησης εικόνων χωρίς κάποια εμφανή χρονική αλληλουχία. Έπειτα, πραγματοποιείται η κατασκευή ενός συστήματος τμηματοποίησης και διαχωρισμού της περιοχής ενδιαφέροντος ( Πνεύμονες) από το σύνολο κάθε εικόνας. Αυτό , καθίσταται δυνατό μέσω της αρχιτεκτονικής UNet και της μεθοδολογίας του Semantic Segmentation. Στη συνέχεια , οι τμηματοποιημένες αυτές εικόνες, τίθενται υπό ταξινόμηση από ένα κλασικό μοντέλο CNN, για μελέτη και αξιολόγηση της απόδοσής του. Τέλος διερευνάται, η αποτελεσματικότητα και η απόδοση της λογικής της μεταφερόμενης μάθησης ή Transfer Learning στο αρχικό αλλά και στο τμηματοποιημένο σύνολο δεδομένων.
Η ανάπτυξη των μεθόδων που περιγράφονται παραπάνω, έγινε με τη πολύτιμη βοήθεια του Google Colaboratory, και υλοποιήθηκε σε Python με χρήση της βιβλιοθήκης μηχανικής μάθησης TensorFlow και της βιβλιοθήκης Keras
|
|---|
