| Summary: | Το πεδίο της Υπολογιστικής ΄Ορασης παρατηρεί τα τελευταία χρόνια μία έκρηξη εξελίξεων
και καινοτομιών. Κεντρικός πυρήνας αυτών είναι η ανακάλυψη ενός νέου είδους Νευρωνικού
Δικτύου, το Συνελικτικό Νευρωνικό Δίκτυο (Convolutional Neural Network ή CNN). Οι
δυνατότητες του εν λόγω δικτύου σε συγκεκριμένα προβλήματα Επεξεργασίας Εικόνας όπως η
αναγνώριση σχημάτων και αντικειμένων, αποδικνύονται πολύ ανώτερες των κλασσικών τεχνι-
κών. Τα δίκτυα αυτά, είναι μία κατηγορία Νευρωνικών Δικτύων Βαθέων Αρχιτεκτονικών, τα
οποία περιέχουν, εκτός των απλών νευρώνων και επίπεδα συνελικτικών πυρήνων (συμβατικά
χρησιμοποιείται ο όρος, συνελικτικά επίπεδα) που δρουν στην αρχική εικόνα σαν μικρά φίλτρα
με εκπαιδεύσιμες παραμέτρους και ως σκοπό, έχουν την εξαγωγή χαρακτηριστικών από την
εκάστοτε σκηνή. Η εξέλιξη των CNNs οδήγησε σταδιακά στην ανάπτυξη Πλήρως Συνελι-
κτικών Δικτύων (Fully Convolutional Network ή FCN) [1] τα οποία αποτελούνται πλήρως
από συνελικτικά επίπεδα και έχουν την δυνατότητα να παράγουν εξόδους δύο διαστάσεων σε
αντίθεση με τις μονοδιάστατες εξόδους των υπόλοιπων δικτύων. Τα δίκτυα αυτά χρησιμο-
ποιούνται κυρίως σε εφαρμογές στις οποίες είναι απαραίτητη η ανάλυση σκηνής σε επίπεδο
εικονοστοιχείου, όπως η κατάτμηση εικόνας.
Οι συγκεκριμένες αρχιτεκτονικές είναι και το αντικείμενο της παρούσας εργασίας ενώ πα-
ράλληλα εξετάζεται σε βάθος η εφαρμογή τους, σε προβλήματα Σημασιολογικής Κατάτμησης
(Semantic Segmentation), όπως και πιθανές οδοί μελοντικής εξέλιξης.
|
|---|
