Αναγνώριση ανθρώπινων ενεργειών με χρήση τεχνικών μεταφερόμενης μάθησης
΄Ένα από τα κύρια χαρακτηριστικά της σημερινής εποχής αποτελεί ο τεράστιος όγκος δεδομένων, γεγονός που αναντίρρητα οδήγησε στην ανάγκη για την αποθήκευση, την επεξεργασία καθώς και την αποτελεσματική διαχείριση αυτών. Μάλιστα, η κατηγοριοποίηση των τελευταίων σε διαφορετικά είδη, όπως ήχους, εικόνε...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/15869 |
| id |
nemertes-10889-15869 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-158692022-09-05T06:57:12Z Αναγνώριση ανθρώπινων ενεργειών με χρήση τεχνικών μεταφερόμενης μάθησης Human action recognition using transfer learning Παπαστεφανόπουλος, Αθανάσιος Papastefanopoulos, Athanasios Μεταφερόμενη μάθηση Βαθιά μάθηση Τεχνητά νευρωνικά δίκτυα Transfer learning Deep learning Artificial neural networks ΄Ένα από τα κύρια χαρακτηριστικά της σημερινής εποχής αποτελεί ο τεράστιος όγκος δεδομένων, γεγονός που αναντίρρητα οδήγησε στην ανάγκη για την αποθήκευση, την επεξεργασία καθώς και την αποτελεσματική διαχείριση αυτών. Μάλιστα, η κατηγοριοποίηση των τελευταίων σε διαφορετικά είδη, όπως ήχους, εικόνες και βίντεο, κατέστησε αναγκαία την δημιουργία κατάλληλων, κατά περίπτωση, μεθόδων προκειμένου να είμαστε σε θέση να τα διαχειριζόμαστε, καθώς και να τα αξιοποιούμε κατάλληλα για την πρόβλεψη μελλοντικών καταστάσεων. Στο εν λόγω εγχείρημα, καίριος είναι ο ρόλος της Μηχανικής Μάθησης, η οποία τα τελευταία χρόνια έχει γνωρίσει σπουδαία αναγνώριση και εξέλιξη. Η κατηγοριοποίηση κειμένων, η αναγνώριση ομιλίας και ήχου, καθώς και η ταξινόμηση εικόνων και βίντεο, αποτελούν τις κυριότερες περιοχές στις οποίες η Μηχανική Μάθηση αλλά και η Βαθιά Μάθηση αναπτύσσονται με ιλλιγιώδη ταχύτητα. Στην παρούσα εργασία, γίνεται αναφορά σε ορισμένους από τους πιο γνωστούς αλγόριθμους ταξινόμησης, με το βάρος να δίνεται στα τεχνητά νευρωνικά δίκτυα. Ειδικότερα, περιγράφουμε αναλυτικά τόσο τα απλά νευρωνικά δίκτυα όσο και τα συνελικτικά, παρουσιάζοντας ορισμένα από τα πιο γνωστά μοντέλα που έχουν κατασκευαστεί. Ιδιαίτερη μνεία γίνεται στον κλάδο της μεταφερόμενης μάθησης, ο οποίος αποτελεί ένα ταχύτατα αναπτυσσόμενο πεδίο, σε μία προσπάθεια να αξιοποιηθεί κατάλληλα η παραχθείσα γνώση για την επίλυση νέων προβλημάτων. ΄Επειτα, παρουσιάζονται τα πειράματα που πραγματοποιήσαμε, περιγράφοντας τη διαδικασία που ακολουθήσαμε προκειμένου να επεξεργαστούμε το σύνολο δεδομένων UCF101 και να κατασκευάσουμε τα τελικά μοντέλα ταξινόμησης. Τελειώνοντας, αναφερόμαστε σε ορισμένα συμπεράσματα που προέκυψαν τόσο από τη δική μας εφαρμογή όσο και απο τη διεθνή βιβλιογραφία, κάνοντας ορισμένες προτάσεις για μελλοντικές έρευνες και εφαρμογές. One of the main features of today is the huge volume of data, which undoubtedly led to the need for storage, processing and efficient management. In fact, the categorization of the latter into different genres, such as sounds, images and videos, made it necessary to create appropriate, as the case may be, methods in order to be able to manage them, as well as to use them appropriately to predict future situations. The role of Machine Learning is crucial in this project, which in recent years has experienced great recognition and development. Text categorization, speech and audio recognition, as well as image and video classification, are the main areas in which both Machine Learning and Deep Learning are developing at breakneck speed. In the present work, a reference is made to some of the most well-known classification algorithms, with the emphasis given to artificial neural networks. In particular, we describe in detail both the simple neural networks and the convergent ones, presenting the most famous models that have been constructed. Special mention is made of the branch of transfer learning, which is a rapidly growing field, in an effort to properly utilize the knowledge generated to solve new problems. Next, the experiments we performed are presented, describing the procedure we followed in order to process the dataset UCF101 and construct the final classification models. In conclusion, we refer to some conclusions that emerged from both our own application and the international literature, making some suggestions for future research and applications. 2022-03-01T07:07:37Z 2022-03-01T07:07:37Z 2022-02-08 http://hdl.handle.net/10889/15869 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μεταφερόμενη μάθηση Βαθιά μάθηση Τεχνητά νευρωνικά δίκτυα Transfer learning Deep learning Artificial neural networks |
| spellingShingle |
Μεταφερόμενη μάθηση Βαθιά μάθηση Τεχνητά νευρωνικά δίκτυα Transfer learning Deep learning Artificial neural networks Παπαστεφανόπουλος, Αθανάσιος Αναγνώριση ανθρώπινων ενεργειών με χρήση τεχνικών μεταφερόμενης μάθησης |
| description |
΄Ένα από τα κύρια χαρακτηριστικά της σημερινής εποχής αποτελεί ο τεράστιος όγκος δεδομένων, γεγονός που αναντίρρητα οδήγησε στην ανάγκη για την αποθήκευση, την επεξεργασία καθώς και την αποτελεσματική διαχείριση αυτών. Μάλιστα, η κατηγοριοποίηση των τελευταίων σε διαφορετικά είδη, όπως ήχους, εικόνες και βίντεο, κατέστησε αναγκαία την δημιουργία κατάλληλων, κατά περίπτωση, μεθόδων προκειμένου να είμαστε σε θέση να τα διαχειριζόμαστε, καθώς και να τα αξιοποιούμε κατάλληλα για την πρόβλεψη μελλοντικών καταστάσεων. Στο εν λόγω εγχείρημα, καίριος είναι ο ρόλος της Μηχανικής Μάθησης, η οποία τα τελευταία χρόνια έχει γνωρίσει σπουδαία αναγνώριση και εξέλιξη. Η κατηγοριοποίηση κειμένων, η αναγνώριση ομιλίας και ήχου, καθώς και η ταξινόμηση εικόνων και βίντεο, αποτελούν τις κυριότερες περιοχές στις οποίες η Μηχανική Μάθηση αλλά και η Βαθιά Μάθηση αναπτύσσονται με ιλλιγιώδη ταχύτητα. Στην παρούσα εργασία, γίνεται αναφορά σε ορισμένους από τους πιο γνωστούς αλγόριθμους ταξινόμησης, με το βάρος να δίνεται στα τεχνητά νευρωνικά δίκτυα. Ειδικότερα, περιγράφουμε αναλυτικά τόσο τα απλά νευρωνικά δίκτυα όσο και τα συνελικτικά, παρουσιάζοντας ορισμένα από τα πιο γνωστά μοντέλα που έχουν κατασκευαστεί. Ιδιαίτερη μνεία γίνεται στον κλάδο της μεταφερόμενης μάθησης, ο οποίος αποτελεί ένα ταχύτατα αναπτυσσόμενο πεδίο, σε μία προσπάθεια να αξιοποιηθεί κατάλληλα η παραχθείσα γνώση για την επίλυση νέων προβλημάτων. ΄Επειτα, παρουσιάζονται τα πειράματα που πραγματοποιήσαμε, περιγράφοντας τη διαδικασία που ακολουθήσαμε προκειμένου να επεξεργαστούμε το σύνολο δεδομένων UCF101 και να κατασκευάσουμε τα τελικά μοντέλα ταξινόμησης. Τελειώνοντας, αναφερόμαστε σε ορισμένα συμπεράσματα που προέκυψαν τόσο από τη δική μας εφαρμογή όσο και απο τη διεθνή βιβλιογραφία, κάνοντας ορισμένες προτάσεις για μελλοντικές έρευνες και εφαρμογές. |
| author2 |
Papastefanopoulos, Athanasios |
| author_facet |
Papastefanopoulos, Athanasios Παπαστεφανόπουλος, Αθανάσιος |
| author |
Παπαστεφανόπουλος, Αθανάσιος |
| author_sort |
Παπαστεφανόπουλος, Αθανάσιος |
| title |
Αναγνώριση ανθρώπινων ενεργειών με χρήση τεχνικών μεταφερόμενης μάθησης |
| title_short |
Αναγνώριση ανθρώπινων ενεργειών με χρήση τεχνικών μεταφερόμενης μάθησης |
| title_full |
Αναγνώριση ανθρώπινων ενεργειών με χρήση τεχνικών μεταφερόμενης μάθησης |
| title_fullStr |
Αναγνώριση ανθρώπινων ενεργειών με χρήση τεχνικών μεταφερόμενης μάθησης |
| title_full_unstemmed |
Αναγνώριση ανθρώπινων ενεργειών με χρήση τεχνικών μεταφερόμενης μάθησης |
| title_sort |
αναγνώριση ανθρώπινων ενεργειών με χρήση τεχνικών μεταφερόμενης μάθησης |
| publishDate |
2022 |
| url |
http://hdl.handle.net/10889/15869 |
| work_keys_str_mv |
AT papastephanopoulosathanasios anagnōrisēanthrōpinōnenergeiōnmechrēsētechnikōnmetapheromenēsmathēsēs AT papastephanopoulosathanasios humanactionrecognitionusingtransferlearning |
| _version_ |
1771297165516210176 |
