Νευρωνικά δίκτυα βαθέων αρχιτεκτονικών για σημασιολογική κατάτμηση εικόνας

• Κύριος συγγραφέας: Αυλακιώτης, Στυλιανός
• Άλλοι συγγραφείς: Avlakiotis, Stylianos
• Γλώσσα: Greek
• Έκδοση: 2022
• Θέματα: Νευρωνικά δίκτυα; Βαθιά μάθηση; Σημασιολογική κατάτμηση; Επεξεργασία εικόνας; Neural networks; Deep learning; Semantic segmentation; Image processing

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.