Μηχανική Μάθηση σε Μεταβαλλόμενα Περιβάλλοντα: Ανίχνευση Μεταβολών του Εννοιολογικού Πλαισίου σε Βίντεο

Σεφέρης, Εμμανουήλ Κ.; Seferis, Emmanouil K.

dc.contributor.author	Σεφέρης, Εμμανουήλ Κ.	el
dc.contributor.author	Seferis, Emmanouil K.	en
dc.date.accessioned	2016-11-07T11:32:59Z
dc.date.available	2016-11-07T11:32:59Z
dc.date.issued	2016-11-07
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/43992
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.13390
dc.rights	Default License
dc.subject	Προσαρμοζόμενη μάθηση	el
dc.subject	Μάθηση σε μεταβαλλόμενα περιβάλλοντα	el
dc.subject	Μεταβολή πλαισίου	el
dc.subject	Βαθιά νευρωνικά δίκτυα	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Adaptive learning	en
dc.subject	Learning in nonstationary environments	en
dc.subject	Concept drift	en
dc.subject	Deep neural networks	en
dc.subject	Convolutional neural networks	en
dc.title	Μηχανική Μάθηση σε Μεταβαλλόμενα Περιβάλλοντα: Ανίχνευση Μεταβολών του Εννοιολογικού Πλαισίου σε Βίντεο	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-07-20
heal.abstract	Σκοπός της εργασίας αυτής είναι η μελέτη ενός σχετικά νέου τομέα της μηχανικής μάθησης, της μάθησης σε μεταβαλλόμενα περιβάλλοντα (learning in nonstationary environments), και η εφαρμογή κάποιων από τις μεθοδολογίες του σε ένα πρόβλημα αναγνώρισης συναισθήματος από εικόνα. Οι συνήθεις αλγόριθμοι μηχανικής μάθησης (νευρωνικά δίκτυα, SVM, Random forests, κλπ.) λειτουργούν με τον εξής τρόπο: αρχικά εκπαιδεύονται σε ένα γνωστό σύνολο δεδομένων (train data) και στη συνέχεια εφαρμόζονται στα υπόλοιπα δεδομένα που θέλουμε να ταξινομήσουμε (test data). Η διαδικασία αυτή κάνει μία θεμελιώδη παραδοχή: ότι η στατιστική κατανομή των test data είναι η ίδια με τη στατιστική κατανομή των train data. Με τον τρόπο αυτό, ένας αλγόριθμος μηχανικής μάθησης μαθαίνει τις ιδιότητες των δεδομένων απ’ τα test data, και τις εφαρμόζει μετά στα προς ταξινόμηση δεδομένα. Υπάρχουν όμως κάποιες περιπτώσεις, όπου η παραπάνω υπόθεση είναι λανθασμένη. Σε μία αρκετά μεγάλη ποικιλία φαινομένων, η στατιστική κατανομή των δεδομένων μεταβάλλεται με το χρόνο. Μερικά παραδείγματα είναι οι κλιματολογικές συνθήκες, δημογραφικά δεδομένα, εισηγητικά συστήματα όπου οι προτιμήσεις του χρήστη αλλάζουν όσο αυτός μεγαλώνει, ρομπότ που αλληλεπιδρούν με το περιβάλλον, κλπ. Σε αυτές τις περιπτώσεις χρειαζόμαστε κάποιες μεθόδους, οι οποίες να μπορούν να ανιχνεύουν τις στατιστικές μεταβολές των δεδομένων, και να τροποποιούν ανάλογα τον ταξινομητή, προσθέτοντας σε αυτόν τη νέα γνώση. Ο κλάδος αυτός της μηχανικής μάθησης ονομάζεται adaptive learning, ή learning in nonstationary environments, ενώ το φαινόμενο της στατιστικής μεταβολής των φαινομένων ονομάζεται concept drift (μεταβολή εννοιολογικού πλαισίου, ή απλώς μεταβολή πλαισίου). Στην παρούσα εργασία, θα παρουσιάσουμε και θα ανακεφαλαιώσουμε τις σημαντικότερες ιδέες και τεχνικές του adaptive learning. Στη συνέχεια, στο πειραματικό μέρος, θα προσπαθήσουμε να εφαρμόσουμε κάποιες απ’ τις τεχνικές αυτές στο πεδίο της αναγνώρισης συναισθήματος από εικόνα (emotion recognition). Χρησιμοποιώντας μία βάση με φωτογραφίες χρηστών και αντίστοιχων συναισθημάτων, θα εκπαιδεύσουμε ένα deep neural net στο να αναγνωρίζει τα συναισθήματα αυτά. Στη συνέχεια, θα προκαλέσουμε drift στο dataset μας, εισάγοντας στον ταξινομητή εικόνες των χρηστών με άλλες συνθήκες φωτισμού, περιβάλλοντος, κλπ., τροποποιημένες – αλλοιωμένες εικόνες των χρηστών, εικόνες άλλων χρηστών, κλπ., και θα δούμε οι αλγόριθμοί μας είναι σε θέση να αντιληφθούν τις μεταβολές αυτές, και αν μπορούν να βελτιώσουν την απόδοση της ταξινόμησης, και σε ποιο βαθμό. Τέλος, ανακεφαλαιώνουμε τα συμπεράσματά που βγάλαμε, και προτείνουμε πιθανές βελτιώσεις.	el
heal.advisorName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	true