Γραφοθεωρητικές Μέθοδοι Όρασης Υπολογιστών και Εκμάθησης Μηχανών για Ανίχνευση Αντικειμένων

Μπάμπης, Χρήστος; Bampis, Christos

dc.contributor.author	Μπάμπης, Χρήστος	el
dc.contributor.author	Bampis, Christos	en
dc.date.accessioned	2014-12-03T11:43:52Z
dc.date.available	2014-12-03T11:43:52Z
dc.date.issued	2014-12-03
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/39814
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.5573
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Τυχαίος περιπατητής	el
dc.subject	Γραφοθεωρητικές μέθοδοι	el
dc.subject	Διάχυση θερμότητας	el
dc.subject	Τεχνικές με επίβλεψη	el
dc.subject	Κατάτμηση αντικειμένων	el
dc.subject	Αναγνώριση αντικειμένων	el
dc.subject	Εκμάθηση μηχανών	el
dc.subject	Random Walker	en
dc.subject	Diffusion	en
dc.subject	Heat Equation	en
dc.subject	Non-negative matrix factorization	en
dc.subject	Clustering	en
dc.title	Γραφοθεωρητικές Μέθοδοι Όρασης Υπολογιστών και Εκμάθησης Μηχανών για Ανίχνευση Αντικειμένων	el
heal.type	bachelorThesis
heal.classification	Computer systems	en
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh98003200
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2014-07-22
heal.abstract	Στα προβλήματα της Όρασης Υπολογιστών, συναντάει κανείς την πληροφορία υπό μορφή εικόνων. Τα τελευταία χρόνια, έχει δοθεί μια όλο και αυξανόμενη βαρύτητα στην εφαρμογή γραφοθεωρητικών μεθόδων για την επεξεργασία και ανάλυση των εικόνων με απώτερο σκοπό την κατανόηση του περιεχομένου της εικόνας. Η προσαρμοστικότητα της αφαιρετικής δομής των γράφων έδωσε, επομένως, βήμα σε νέες τεχνικές και μεθόδους. Στόχος της διπλωματικής εργασίας είναι η μελέτη και διερέυνηση αυτών των νέων ερευνητικών κατευθύνσεων υπό το πρίσμα της χρήσης όχι του κλασσικού κανονικού πλέγματος για την αναπαράσταση μιας εικόνας, αλλά μέσω ενός ακανόνιστου γράφου. Παρουσιάζονται βασικά γραφοθεωρητικά στοιχεία καθώς και γνωστές τεχνικές από τη βιβλιογραφία οι οποίες στοχεύουν σε μια από τις πιο βασικές διεργασίες της Όρασης Υπολογιστών, την κατάτμηση αντικειμένων. Οι δύο βασικές κατηγορίες των τεχνικών που περιγράφονται είναι οι μέθοδοι με επίβλεψη και χωρίς επίβλεψη. Η συνδρομή της εργασίας στις κατευθύνσεις αυτές είναι διπλή. Στο κομμάτι των μεθόδων με επίβλεψη, ενοποιείται η διάχυση θερμότητας πάνω σε γράφους με το επιδημιολογικό μοντέλο SIR. Με βάση αυτή τη σύνδεση, προτείνεται μια βελτίωση του αλγόριθμου του Τυχαίου Περιπατητή η οποία μπορεί να δώσει καλύτερα αποτέλεσματα στις περισσότερες των περιπτώσεων. Αναφορικά με τις μεθόδους δίχως επίβλεψη, προτείνεται η εφαρμογή της παραγοντοποίησης Cluster Non-Negative Matrix Factorization (Cluster NMF) με σκοπό την κατάτμηση εικόνας. Τέλος, επεκτείνεται το σύστημα αυτό με τη βοήθεια ιδεών από Consensus Learning. Η χρήση των μεθόδων αυτών στις εικόνες ήταν μέχρι πρότινος απαγορευτική λόγω της μεγάλης διάστασης του χώρου των χαρακτηριστικών. Η χρήση ενός γράφου κατάλληλα επιλεγμένου και η αξιοποίηση του, επιτρέπουν πλέον την εφαρμογή τέτοιων μεθόδων.	el
heal.abstract	In Computer Vision problems, images are the main source of information. In recent years, there has been an increasing emphasis on the application of graph theoretic methods for the processing and analysis of images in order to understand the contents of an image. As a result, the versatile graph structure has given rise to new methods and techniques. The aim of this thesis is to study and explore these new research directions by using a non regular grid to represent an image. An introduction to graph theoretic methods and state of the art techniques applied for object detection, a very common task in Computer Vision, are presented. The two main categories of techniques described are supervised methods and unsupervised ones. The contribution of this thesis with respect to these directions is twofold. Concerning supervised methods, the epidemiological model SIR is theoretically proven to result in the heat di usion schemes on graphs. Based on this connection, an improvement of the Random Walker algorithm is suggested, which can give better results in most cases. Regarding unsupervised methods, the Cluster Non-Negative Matrix Factorization (Cluster NMF) method is proposed as a new tool for the purpose of image segmentation. Finally, a new segmentation system based on the Consensus Learning framework is studied and implemented. These methods were until now computationally intractable due to the large dimension of the feature space involved. The use of an appropriately de ned graph structure now allows the application of such methods	en
heal.advisorName	Μαραγκός, Πέτρος	el
heal.committeeMemberName	Παπαβασιλόπουλος, Γεώργιος	el
heal.committeeMemberName	Ποταμιάνος, Γεράσιμος	el
heal.academicPublisher	Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	98 σ.
heal.fullTextAvailability	true