dc.contributor.author | Κούκιος - Πανόπουλος, Σωτήριος![]() |
el |
dc.contributor.author | Koukios - Panopoulos, Sotirios![]() |
en |
dc.date.accessioned | 2018-04-16T10:14:46Z | |
dc.date.available | 2018-04-16T10:14:46Z | |
dc.date.issued | 2018-04-16 | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/46836 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.15355 | |
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 | Διαβήτης | el |
dc.subject | Συνελικτικά νευρωνικά δίκτυα | el |
dc.subject | Συνέλιξη | el |
dc.subject | Σύστημα αναγνώρισης τροφίμων | el |
dc.subject | Υδατάνθρακες | el |
dc.subject | MatConvNet | en |
dc.subject | Torch | en |
dc.subject | ResNet | en |
dc.subject | Food-101 | en |
dc.subject | Fine-Tuning | en |
dc.title | Ανάπτυξη μοντέλου εκτίμησης της περιεχόμενης ποσότητας υδατανθράκων στα λαμβανόμενα γεύματα από φωτογραφικά στιγμιότυπα | el |
heal.type | bachelorThesis | |
heal.classification | Machine learning | el |
heal.classificationURI | http://id.loc.gov/authorities/subjects/sh85079324 | |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2018-02-09 | |
heal.abstract | Στην παρούσα διπλωματική εργασία διερευνήθηκε η χρήση τεχνικών βαθιάς μάθησης και πιο συγκεκριμένα Συνελικτικών Νευρωνικών Δικτύων (ΣΝΔ) για την αυτόματη αναγνώριση τροφών από φωτογραφικά τους στιγμιότυπα. Για την ανάπτυξη των μοντέλων ταξινόμησης εφαρμόστηκε η αρχιτεκτονική ResNet των 50 επιπέδων, η οποία περιλαμβάνει την επανάληψη 50 δομικών μπλοκ βασιζόμενα σε φίλτρα συνέλιξης. Για την εκπαίδευσή του ΣΝΔ εφαρμόστηκαν και συγκρίθηκαν ως προς τις απαιτήσεις τους σε υπολογιστική ισχύ δύο frameworks: (i) το MatConvNet, που βασίζεται στο περιβάλλον Matlab, και το (ii) Torch, που βασίζεται στην γλώσσα σεναρίων ανοιχτού κώδικα Lua. Για την αξιολόγηση της απόδοσης και της ακρίβειας του υπό μελέτη μοντέλου χρησιμοποιήθηκε η βιβλιογραφικά διαθέσιμη βάση εικόνων γευμάτων Food-101, η οποία αποτελείται από 101000 φωτογραφίες γευμάτων που ανήκουν σε 101 κατηγορίες. Για την εκπαίδευση του μοντέλου χρησιμοποιήθηκε το 75% των εικόνων και για την αξιολόγησή του το υπόλοιπο 25% . Επίσης πραγματοποιήθηκε μια αξιολόγηση του εκπαιδευμένου ΣΝΔ χρησιμοποιώντας δειγματοληπτικά εικόνες από σύνολα δεδομένων, διαφορετικά από αυτά που χρησιμοποιήθηκαν για την εκπαίδευση του ΣΝΔ. Το υπό μελέτη μοντέλο πέτυχε ακρίβεια ταξινόμησης 85,82% λαμβάνοντας υπόψη μόνο την μεγαλύτερη πιθανότητα που εξάγει το ΣΝΔ (top-1 accuracy), και 97,24% λαμβάνοντας υπόψη τις 5 μεγαλύτερες πιθανότητες (top-5 accuracy) | el |
heal.abstract | In the present diploma thesis, the use of deep learning and more specifically Convolutional Neural Networks (CNN s) has been investigated in order to automatically recognize meal contents from meal screenshots. The development of the classifier has been based on the architecture ResNet -50, which includes structural blocks based on convolutional filters, stacked together in order to form a sequence of 50 similar blocks. For its training two frameworks were considered and compar atively assessed : (i) MatConvNet, based on the MatLab environment, and (ii) Torch, based on the open- source scripting language Lua. For evaluating the classifier ’s performance and accuracy, the publicly available dataset named “Food -101” of food images has been used, which consists of 101000 images assigned to 101 categories. 75% of the images have been used for training purposes and the rest 25% for validation. Furthermore, the classifier has been applied and evaluated on samples images from external food image datasets different than those used for its training . The developed model achieved classification accuracy of 85.85%, taking into consideration only the first ‘guess’ of the CNN (top– 1 accuracy), and an accuracy of 97.24% taking into consideration the first 5 guesses (top- 5 accuracy) | en |
heal.advisorName | Νικήτα, Κωνσταντίνα Σ. | el |
heal.committeeMemberName | Σταφυλοπάτης, Ανδρέας - Γεώργιος | el |
heal.committeeMemberName | Στάμου, Γεώργιος | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών. Εργαστήριο Βιοϊατρικών Προσομοιώσεων και Απεικονιστικής Τεχνολογίας | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 87 σ. | |
heal.fullTextAvailability | true |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: