Εφαρμογές συνελικτικών νευρωνικών δικτύων για επεξεργασία εικόνων

Η τεχνητή νοημοσύνη είναι ένας από τους γρήγορα αναπτυσσόμενους κλάδους της επιστήμης των υπολογιστών. Ιδιαίτερη σημασία δίνεται στις μέρες μας για το πεδίο της τεχνητής νοημοσύνης που ονομάζεται μηχανική μάθηση και συγκεκριμένα τα τεχνητά νευρωνικά δίκτυα. Τα τεχνητά νευρωνικά δίκτυα είναι εμπνε...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας:	Σταθάτος, Αλέξανδρος
Άλλοι συγγραφείς:	Stathatos, Alexandros
Γλώσσα:	Greek
Έκδοση:	2022
Θέματα:	Ρυθμός μάθησης Συνελικτικά νευρωνικά δίκτυα Συνελικτικά LSTM δίκτυα Αυτοκωδικοποιητές Convolutional neural networks Long short-term memory (LSTM) Autoencoders e-AdLR Learning rate
Διαθέσιμο Online:	http://hdl.handle.net/10889/16023

id	nemertes-10889-16023
record_format	dspace
spelling	nemertes-10889-160232022-09-05T20:22:01Z Εφαρμογές συνελικτικών νευρωνικών δικτύων για επεξεργασία εικόνων Applications of convolutional neural network for image processing Σταθάτος, Αλέξανδρος Stathatos, Alexandros Ρυθμός μάθησης Συνελικτικά νευρωνικά δίκτυα Συνελικτικά LSTM δίκτυα Αυτοκωδικοποιητές Convolutional neural networks Long short-term memory (LSTM) Autoencoders e-AdLR Learning rate Η τεχνητή νοημοσύνη είναι ένας από τους γρήγορα αναπτυσσόμενους κλάδους της επιστήμης των υπολογιστών. Ιδιαίτερη σημασία δίνεται στις μέρες μας για το πεδίο της τεχνητής νοημοσύνης που ονομάζεται μηχανική μάθηση και συγκεκριμένα τα τεχνητά νευρωνικά δίκτυα. Τα τεχνητά νευρωνικά δίκτυα είναι εμπνευσμένα από τα βιολογικά νευρωνικά δίκτυα. Στην μηχανική μάθηση χρησιμοποιούνται για να διεκπεραιώσουν εργασίες που αφορούν την αναγνώριση πολύπλοκων προτύπων μέσα σε συλλογές δε- δομένων και για να κάνουν προβλέψεις. Τα τεχνητά νευρωνικά δίκτυα μπορούν να εφαρμοστούν σε επιβλεπόμενη μάθηση, σε μη επιβλεπόμενη μάθηση και σε ενισχυμένη μάθηση. Διάφορα παραδείγματα τεχνητών νευρωνικών δικτύων είναι τα συνελικτικά νευρωνικά δίκτυα, τα LSTM νευρωνικά δίκτυα και οι autoencoders. Επίσης, απαραίτη- τη κρίνεται η βελτιστοποίηση της απόδοσης αυτών των μοντέλων. Αυτό επιτυγχάνεται μέσω αλγορίθμων που ρυθμίζουν πιο αποτελεσματικά τις υπερπαραμέτρους των τεχνη- τών νευρωνικών δικτύων κατά την εκπαίδευση. Στόχος της διπλωματικής εργασίας είναι η εφαρμογή ενός αλγορίθμου ο οποίος υπολογίζει την υπερπαράμετρο του ρυθμού μάθησης. Ο αλγόριθμος αυτός ονομάζεται e-AdLR και υλοποιείται σε ένα συνελικτικό νευρωνικό δίκτυο. Επιπλέον, υλοποιούνται τρία ακόμα μοντέλα τα οποία είναι ένα απλό συνελικτικό νευρωνικό δίκτυο, ένα συνε- λικτικό LSTM δίκτυο και ένα autoencoder. Τα τέσσερα μοντέλα που υλοποιούνται σε αυτήν την διπλωματική συγκρίνονται μεταξύ τους ως προς την ακρίβεια (accuracy), την απώλεια (loss), την ανάκληση (recall), την ακρίβεια (precision) και την μετρική f1 score. Artifcial intelligence is one of the most fast developing branch of computer science. Nowadays, it is very important the feld of artifcial intelligence that is called machine learning and specifcally the artifcial neural networks (ANN). The ANN are inspired from biological neural networks. In machine learning, they are used for tasks like complex pattern recognition inside datasets and to make predictions. The ANN can applied for supervised learning, unsupervised learning and reinforcement learning. Some examples of ANN are the convolutional neural networks, the Long Short-Term Memory (LSTM) neural networks and the autoencoders. Also, important is the optimization of the performance of these models. The performance optimization is complete through algorithms that confgure efciently the hyperparameters during training. This diploma thesis aims in the development in code of an algorithm that calculates the learning rate. The algorithm is called e-AdLR and it is applied on a convolutional neural network. Moreover, they are developed more models. These models are a simple convolutional neural network, a convolutional LSTM network and an autoencoder. These four models compared according to the metrics of accuracy, loss, reacall, precision and f1 score. 2022-03-14T06:25:40Z 2022-03-14T06:25:40Z 2022-02-21 http://hdl.handle.net/10889/16023 gr application/pdf
institution	UPatras
collection	Nemertes
language	Greek
topic	Ρυθμός μάθησης Συνελικτικά νευρωνικά δίκτυα Συνελικτικά LSTM δίκτυα Αυτοκωδικοποιητές Convolutional neural networks Long short-term memory (LSTM) Autoencoders e-AdLR Learning rate
spellingShingle	Ρυθμός μάθησης Συνελικτικά νευρωνικά δίκτυα Συνελικτικά LSTM δίκτυα Αυτοκωδικοποιητές Convolutional neural networks Long short-term memory (LSTM) Autoencoders e-AdLR Learning rate Σταθάτος, Αλέξανδρος Εφαρμογές συνελικτικών νευρωνικών δικτύων για επεξεργασία εικόνων
description	Η τεχνητή νοημοσύνη είναι ένας από τους γρήγορα αναπτυσσόμενους κλάδους της επιστήμης των υπολογιστών. Ιδιαίτερη σημασία δίνεται στις μέρες μας για το πεδίο της τεχνητής νοημοσύνης που ονομάζεται μηχανική μάθηση και συγκεκριμένα τα τεχνητά νευρωνικά δίκτυα. Τα τεχνητά νευρωνικά δίκτυα είναι εμπνευσμένα από τα βιολογικά νευρωνικά δίκτυα. Στην μηχανική μάθηση χρησιμοποιούνται για να διεκπεραιώσουν εργασίες που αφορούν την αναγνώριση πολύπλοκων προτύπων μέσα σε συλλογές δε- δομένων και για να κάνουν προβλέψεις. Τα τεχνητά νευρωνικά δίκτυα μπορούν να εφαρμοστούν σε επιβλεπόμενη μάθηση, σε μη επιβλεπόμενη μάθηση και σε ενισχυμένη μάθηση. Διάφορα παραδείγματα τεχνητών νευρωνικών δικτύων είναι τα συνελικτικά νευρωνικά δίκτυα, τα LSTM νευρωνικά δίκτυα και οι autoencoders. Επίσης, απαραίτη- τη κρίνεται η βελτιστοποίηση της απόδοσης αυτών των μοντέλων. Αυτό επιτυγχάνεται μέσω αλγορίθμων που ρυθμίζουν πιο αποτελεσματικά τις υπερπαραμέτρους των τεχνη- τών νευρωνικών δικτύων κατά την εκπαίδευση. Στόχος της διπλωματικής εργασίας είναι η εφαρμογή ενός αλγορίθμου ο οποίος υπολογίζει την υπερπαράμετρο του ρυθμού μάθησης. Ο αλγόριθμος αυτός ονομάζεται e-AdLR και υλοποιείται σε ένα συνελικτικό νευρωνικό δίκτυο. Επιπλέον, υλοποιούνται τρία ακόμα μοντέλα τα οποία είναι ένα απλό συνελικτικό νευρωνικό δίκτυο, ένα συνε- λικτικό LSTM δίκτυο και ένα autoencoder. Τα τέσσερα μοντέλα που υλοποιούνται σε αυτήν την διπλωματική συγκρίνονται μεταξύ τους ως προς την ακρίβεια (accuracy), την απώλεια (loss), την ανάκληση (recall), την ακρίβεια (precision) και την μετρική f1 score.
author2	Stathatos, Alexandros
author_facet	Stathatos, Alexandros Σταθάτος, Αλέξανδρος
author	Σταθάτος, Αλέξανδρος
author_sort	Σταθάτος, Αλέξανδρος
title	Εφαρμογές συνελικτικών νευρωνικών δικτύων για επεξεργασία εικόνων
title_short	Εφαρμογές συνελικτικών νευρωνικών δικτύων για επεξεργασία εικόνων
title_full	Εφαρμογές συνελικτικών νευρωνικών δικτύων για επεξεργασία εικόνων
title_fullStr	Εφαρμογές συνελικτικών νευρωνικών δικτύων για επεξεργασία εικόνων
title_full_unstemmed	Εφαρμογές συνελικτικών νευρωνικών δικτύων για επεξεργασία εικόνων
title_sort	εφαρμογές συνελικτικών νευρωνικών δικτύων για επεξεργασία εικόνων
publishDate	2022
url	http://hdl.handle.net/10889/16023
work_keys_str_mv	AT stathatosalexandros epharmogessyneliktikōnneurōnikōndiktyōngiaepexergasiaeikonōn AT stathatosalexandros applicationsofconvolutionalneuralnetworkforimageprocessing
_version_	1771297322458677248

Εφαρμογές συνελικτικών νευρωνικών δικτύων για επεξεργασία εικόνων

Παρόμοια τεκμήρια