| Περίληψη: | Η παρούσα διπλωματική εργασία ασχολείται με την μελέτη και υλοποίηση Συνελικτικών Νευρωνικών Δικτύων και την χρήση τους στην υπολογιστική όραση και την επεξεργασία εικόνας. Σκοπός της εργασίας είναι η παροχή της απαραίτητης πληροφορίας για την μελέτη τους τόσο σε θεωρητικό όσο και σε πρακτικό επίπεδο, ξεκινώντας με το πρώτο κεφάλαιο, όπου γίνεται μια σύντομη ανασκόπηση της προέλευσης τους από τα Βιολογικά Νευρωνικά Δίκτυα που απαντώνται σε όλους τους έμβιους οργανισμούς. Στο δεύτερο κεφάλαιο παρουσιάζεται η θεωρία της μηχανικής μάθησης και αναλύονται οι κατηγορίες στις οποίες αυτή χωρίζεται, οι τεχνικές παλινδρόμησης καθώς και μια σύντομη αναφορά στην ταξινόμηση εικόνων. Στο τρίτο κεφάλαιο της εργασίας, παρουσιάζεται η θεωρία που διέπει τα Συνελικτικά Νευρωνικά Δίκτυα, την εξαγωγή χαρακτηριστικών για την περίπτωση των εικόνων, τα είδη των Συνελικτικών Νευρωνικών Δικτύων, οι μονάδες που τα αποτελούν και οι συνδεσμολογίες τους. Στο τέταρτο κεφάλαιο παρουσιάζονται αποτελέσματα εκτέλεσης αλγορίθμων επιβλεπόμενης μάθησης με χρήση αβαθούς αλλά και βαθιάς εκμάθησης για την βάση δεδομένων MNIST και CiFAR-10, με ποσοστά επιτυχίας 97.68% και 99.87% αντίστοιχα για αβαθή και βαθειά επιβλεπόμενη μάθηση στην MNIST και 71.84% βαθειάς εκμάθησης για την CiFAR-10. Τέλος, παρέχεται κώδικας σε MatLab, μια παραλλαγή του κώδικα παρεχόμενου από το Stanford University που υλοποιεί Συνελικτικά Νευρωνικά Δίκτυα με όνομα “Programming exercises for the Stanford Unsupervised Feature Learning and Deep Learning Tutorial”, για την εκτέλεση εκπαίδευσης ενός Αβαθούς Συνελικτικού Νευρωνικού Δικτύου επιβλεπόμενης εκμάθησης ενός επιπέδου συνέλιξης και την επιβεβαίωση των αποτελεσμάτων.
|
|---|
