| Περίληψη: | Τις τελευταίες δεκαετίες η πρόοδος της τεχνολογίας σε συστήματα καταγραφής οπτικής πληροφορίας επέτρεψε την εύκολη και μαζική συλλογή οπτικής πληροφορίας, καθιστώντας πολύ σημαντική την άμεση διαχείρισή της, κυρίως υπό όρους αναγνώρισης. Η σχεδόν στιγμιαία ακατέργαστη και μεγάλης διαστατικότητας, καταγεγραμμένη σε μορφή εικονοστοιχείων, οπτική πληροφορία, σε πληθώρα περιπτώσεων χρειάζεται να αναγνωριστεί στοχεύοντας στην εξαγωγή αξιοποιήσιμης πληροφορίας χαμηλότερης διαστατικότητας, ανάλογα με το αντικείμενο της εκάστοτε εφαρμογής. Η αυτή αναγνώριση της οπτικής πληροφορίας, στην πράξη αποτελείται από ένα σύνολο μεθόδων ανάλυσης των εικονοστοιχείων των εικόνων, προς την αυτοματοποίηση συγκεκριμένων διεργασιών. Τέτοιες διεργασίες μπορεί να αποτελούν διαδικασίες ταξινόμησης ή ανάκτησης εικόνων, ανίχνευσης αντικειμένων μέσα στις εικόνες, επισήμανσης αντικειμένων ή θεμάτων σε αυτές, εύρεσης συγκεκριμένων τμημάτων αντικειμένων στις εικόνες κ.α.
Με προσανατολισμό στη διαχείριση της οπτικής πληροφορίας, το αντικείμενο έρευνας αυτής της διατριβής περιελάμβανε την ανάπτυξη τεχνικών και μεθοδολογιών υπολογιστικής όρασης σε προβλήματα αναγνώρισης ψηφιακών εικόνων και βελτιστοποίησης συνελικτικών νευρωνικών δικτύων, τα οποία αποτελούν πλέον αποτελεσματικές μεθόδους αναγνώρισης της οπτικής πληροφορίας. Σε ό,τι αφορά την ανάπτυξη των σχετικών τεχνικών και μεθοδολογιών, χρησιμοποιήθηκε το στοιχείο της τοπικότητας της οπτικής πληροφορίας καθώς και φασματικές τεχνικές για τη συμπίεσή της, με εφαρμογές στην ταξινόμηση υφής, την αναγνώριση προσώπου και την πιστοποίηση δακτυλικών αποτυπωμάτων. Εξετάστηκαν επίσης τεχνικές αξιοποίησης μη παραμετρικών στατιστικών στα παραπάνω πεδία έρευνας οδηγώντας σε ένα γενικευμένο πλαίσιο διαχείρισης πληροφορίας που με μικρές εξειδικευμένες ανά περίπτωση παραλλαγές, μπορεί να εφαρμοστεί και σε διαφορετικά πεδία και προβλήματα.
Καθώς η τεχνολογία των συνελικτικών νευρωνικών δικτύων (ΣΝΔ) καθιερώθηκε αργότερα ως μια κυρίαρχη τεχνολογία σχετική με θέματα κατανόησης της οπτικής πληροφορίας, η αξιοποίησή της αποτέλεσε ουσιαστικό κομμάτι της διατριβής. Ωστόσο, παρότι σήμερα υπάρχουν ποιοτικές και αξιόπιστες υλοποιήσεις ΣΝΔ στα σύγχρονα υπολογιστικά συστήματα υψηλών δυνατοτήτων, σε ποικίλες περιπτώσεις συστημάτων χαμηλών και μέσων δυνατοτήτων (π.χ. έξυπνα αυτοκίνητα, διαδίκτυο των πραγμάτων, ιατρικές συσκευές κ.τ.λ.) απαιτείται η ανάπτυξη ΣΝΔ με εξειδικευμένες αρχιτεκτονικές ώστε να μπορούν να λειτουργούν με περιορισμούς σε θέματα πόρων και ενέργειας. Στα πλαίσια της ερευνητικής δουλειάς προτάθηκε μια μέθοδος για τη δυναμική βελτιστοποίηση προεκπαιδευμένων ΣΝΔ, με κατάλληλες μετατροπές στη δομή τους, σε ό,τι αφορά ζητήματα κατανάλωσης ενέργειας και ταχύτητας εκτέλεσης. Στα παραγόμενα δυναμικά ΣΝΔ, μόνο τα φίλτρα τα οποία είναι χρήσιμα για την επεξεργασία των δεδομένων εισόδου κάθε φορά ενεργοποιούνται και υπολογίζονται, προσφέροντας μεγάλη οικονομία στο χρόνο εκτέλεσης καθώς και στην ενέργεια κατανάλωσής τους. Καθώς όμως η ανάπτυξη τέτοιων δικτύων απαιτεί εξειδικευμένο βελτιστοποιημένο λογισμικό, όπου πρέπει να καθίσταται δυνατή η δυναμική αλλαγή συμπεριφοράς των πυρήνων των ΣΝΔ με τα αντίστοιχα υπολογιστικά οφέλη, η έρευνα μετατοπίστηκε και στο πεδίο αναζήτησης τρόπων για ανάπτυξη τέτοιου λογισμικού και δη μάλιστα σε ετερογενή ενσωματωμένα συστήματα.
|
|---|
