Αναγνώριση νεφών με βαθιά συνελικτικά νευρωνικά δίκτυα
Τα σύννεφα έχουν τεράστια επίδραση στο ενεργειακό ισοζύγιο της γης, το κλίμα, τον καιρό και την ακτινοβολία, αποτελώντας αναπόσπαστο κομμάτι της μετεωρολογίας. Η παρούσα διπλωματική εργασία έχει σκοπό την ταξινόμηση νεφών με την χρήση βαθιών συνελικτικών νευρωνικών δικτύων. Η μηχανική μάθηση είναι έ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/15825 |
| id |
nemertes-10889-15825 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-158252022-09-06T05:13:51Z Αναγνώριση νεφών με βαθιά συνελικτικά νευρωνικά δίκτυα Cloud classification using deep convolutional neural network Σπηλιόπουλος, Νικόλαος Spiliopoulos, Nikolaos Βαθιά συνελικτικά νευρωνικά δίκτυα Μηχανική μάθηση Νευρωνικά δίκτυα Μηχανική όραση Βαθιά μάθηση Deep convolutional neural network Machine learning Neural networks Computer vision Deep learning Τα σύννεφα έχουν τεράστια επίδραση στο ενεργειακό ισοζύγιο της γης, το κλίμα, τον καιρό και την ακτινοβολία, αποτελώντας αναπόσπαστο κομμάτι της μετεωρολογίας. Η παρούσα διπλωματική εργασία έχει σκοπό την ταξινόμηση νεφών με την χρήση βαθιών συνελικτικών νευρωνικών δικτύων. Η μηχανική μάθηση είναι ένα πεδίο που χρησιμοποιείται πλέον ευρέως για την επίλυση προβλημάτων, χρησιμοποιώντας τεχνητά νευρωνικά δίκτυα. Τα νευρωνικά δίκτυα είναι τοπολογίες που έχουν αποδειχθεί χρήσιμες σε μια σειρά εφαρμογών, παρέχοντας αξιομνημόνευτα αποτελέσματα, ιδίως σε προβλήματα υπολογιστικής όρασης. Ένα νευρωνικό δίκτυο αποτελείται από επίπεδα, καθένα από τα οποία έχει πολλούς νευρώνες με παραμέτρους εκμάθησης που μπορούν να τροποποιηθούν για κάθε ζήτημα. Τα συνελικτικά νευρωνικά δίκτυα (ΣΝΔ) χρησιμοποιούν πολλαπλά επίπεδα συνέλιξης που είναι σχεδιασμένα έτσι ώστε να εξάγουν αποτελεσματικά πληροφορία από δεδομένα εισόδου, κυρίως σε μορφή εικόνας, και χρησιμοποιούνται ευρέως για εφαρμογές αναγνώρισης ενώ εκπαιδεύονται με επιβλεπόμενη "από-άκρου-εις-άκρον-εκμάθηση”. Σε αυτή την εργασία εκπαιδεύονται και αξιολογούνται βαθιά ΣΝΔ για την ταξινόμηση νεφών από υπερευρυγώνιες εικόνες του ουράνιου θόλου. Έτσι, μελετάται η απόδοση των μοντέλων για διάφορες τιμές του ρυθμού εκμάθησης, του μεγέθους των εικόνων και την κανονικοποίηση των εικόνων κατά τη διάρκεια της εκπαίδευσης αλλά και, το βάθος του δικτύου, με διαφορετικούς αλγορίθμους βελτιστοποίησης της απώλειας. Επίσης, αξιοποιείται η προεπεξεργασία των δεδομένων με την χρήση κυκλικής μάσκας για την αποκοπή των επιπρόσθετων πληροφοριών που εμπεριέχονται στις εικόνες που οδηγεί σε σημαντική βελτίωση των αποτελεσμάτων. Τα νευρωνικά δίκτυα εφαρμόζονται σε τρείς διαφορετικές βάσεις δεδομένων υπερευριγώνιων εικόνων με στόχο την ταξινόμηση του τύπου των νεφών που απεικονίζουν. Clouds have huge impact on the earth's energy balance, climate, weather and radiation, making them an integral part of meteorology. The present thesis aims at classifying clouds using deep convolutional neural networks. Machine learning field is now widely used for problem solving, using artificial neural networks. Neural networks are topologies that have been shown to be useful in many applications, providing state-of-the-art performance, mainly on computer vision tasks. A neural network consists of layers, each of them has many neurons with trainable parameters that can be modified accordingly. Convolutional neural networks (CNN) use multiple layers of convolution, designed to effectively extract information from input data, mainly in the form of images. CNN are commonly used for recognition tasks while being trained in supervised "end-to-end-learning". In this thesis, deep convolutional neural networks are trained and evaluated for the cloud type classification task using all-sky images. Consequently, the performance of the neural network is studied for different values of learning rate, size of the images and their normalization, depth of the network and optimization algorithms of the loss. Furthermore, the effect of using a circular mask to cut off unwanted information is studied on network’s performance. The neural networks are applied to three different fisheye image databases in order to classify the type of clouds they represent. 2022-02-25T07:39:10Z 2022-02-25T07:39:10Z 2022-02-24 http://hdl.handle.net/10889/15825 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Βαθιά συνελικτικά νευρωνικά δίκτυα Μηχανική μάθηση Νευρωνικά δίκτυα Μηχανική όραση Βαθιά μάθηση Deep convolutional neural network Machine learning Neural networks Computer vision Deep learning |
| spellingShingle |
Βαθιά συνελικτικά νευρωνικά δίκτυα Μηχανική μάθηση Νευρωνικά δίκτυα Μηχανική όραση Βαθιά μάθηση Deep convolutional neural network Machine learning Neural networks Computer vision Deep learning Σπηλιόπουλος, Νικόλαος Αναγνώριση νεφών με βαθιά συνελικτικά νευρωνικά δίκτυα |
| description |
Τα σύννεφα έχουν τεράστια επίδραση στο ενεργειακό ισοζύγιο της γης, το κλίμα, τον καιρό και την ακτινοβολία, αποτελώντας αναπόσπαστο κομμάτι της μετεωρολογίας. Η παρούσα διπλωματική εργασία έχει σκοπό την ταξινόμηση νεφών με την χρήση βαθιών συνελικτικών νευρωνικών δικτύων. Η μηχανική μάθηση είναι ένα πεδίο που χρησιμοποιείται πλέον ευρέως για την επίλυση προβλημάτων, χρησιμοποιώντας τεχνητά νευρωνικά δίκτυα. Τα νευρωνικά δίκτυα είναι τοπολογίες που έχουν αποδειχθεί χρήσιμες σε μια σειρά εφαρμογών, παρέχοντας αξιομνημόνευτα αποτελέσματα, ιδίως σε προβλήματα υπολογιστικής όρασης. Ένα νευρωνικό δίκτυο αποτελείται από επίπεδα, καθένα από τα οποία έχει πολλούς νευρώνες με παραμέτρους εκμάθησης που μπορούν να τροποποιηθούν για κάθε ζήτημα. Τα συνελικτικά νευρωνικά δίκτυα (ΣΝΔ) χρησιμοποιούν πολλαπλά επίπεδα συνέλιξης που είναι σχεδιασμένα έτσι ώστε να εξάγουν αποτελεσματικά πληροφορία από δεδομένα εισόδου, κυρίως σε μορφή εικόνας, και χρησιμοποιούνται ευρέως για εφαρμογές αναγνώρισης ενώ εκπαιδεύονται με επιβλεπόμενη "από-άκρου-εις-άκρον-εκμάθηση”. Σε αυτή την εργασία εκπαιδεύονται και αξιολογούνται βαθιά ΣΝΔ για την ταξινόμηση νεφών από υπερευρυγώνιες εικόνες του ουράνιου θόλου. Έτσι, μελετάται η απόδοση των μοντέλων για διάφορες τιμές του ρυθμού εκμάθησης, του μεγέθους των εικόνων και την κανονικοποίηση των εικόνων κατά τη διάρκεια της εκπαίδευσης αλλά και, το βάθος του δικτύου, με διαφορετικούς αλγορίθμους βελτιστοποίησης της απώλειας. Επίσης, αξιοποιείται η προεπεξεργασία των δεδομένων με την χρήση κυκλικής μάσκας για την αποκοπή των επιπρόσθετων πληροφοριών που εμπεριέχονται στις εικόνες που οδηγεί σε σημαντική βελτίωση των αποτελεσμάτων. Τα νευρωνικά δίκτυα εφαρμόζονται σε τρείς διαφορετικές βάσεις δεδομένων υπερευριγώνιων εικόνων με στόχο την ταξινόμηση του τύπου των νεφών που απεικονίζουν. |
| author2 |
Spiliopoulos, Nikolaos |
| author_facet |
Spiliopoulos, Nikolaos Σπηλιόπουλος, Νικόλαος |
| author |
Σπηλιόπουλος, Νικόλαος |
| author_sort |
Σπηλιόπουλος, Νικόλαος |
| title |
Αναγνώριση νεφών με βαθιά συνελικτικά νευρωνικά δίκτυα |
| title_short |
Αναγνώριση νεφών με βαθιά συνελικτικά νευρωνικά δίκτυα |
| title_full |
Αναγνώριση νεφών με βαθιά συνελικτικά νευρωνικά δίκτυα |
| title_fullStr |
Αναγνώριση νεφών με βαθιά συνελικτικά νευρωνικά δίκτυα |
| title_full_unstemmed |
Αναγνώριση νεφών με βαθιά συνελικτικά νευρωνικά δίκτυα |
| title_sort |
αναγνώριση νεφών με βαθιά συνελικτικά νευρωνικά δίκτυα |
| publishDate |
2022 |
| url |
http://hdl.handle.net/10889/15825 |
| work_keys_str_mv |
AT spēliopoulosnikolaos anagnōrisēnephōnmebathiasyneliktikaneurōnikadiktya AT spēliopoulosnikolaos cloudclassificationusingdeepconvolutionalneuralnetwork |
| _version_ |
1771297362976702464 |
