Αναγνώριση και Ταξινόμηση Δράσεων σε Βίντεο Προ-κλινικών Πειραμάτων με Τεχνικές Μηχανικής Μάθησης

Βυθούλκας, Αλέξανδρος; Vythoulkas, Alexandros

dc.contributor.author	Βυθούλκας, Αλέξανδρος	el
dc.contributor.author	Vythoulkas, Alexandros	en
dc.date.accessioned	2019-12-20T09:49:47Z
dc.date.available	2019-12-20T09:49:47Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/49601
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.17299
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/	*
dc.subject	Βαθιά μάθηση	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Όραση υπολογιστών	el
dc.subject	Βίντεο	el
dc.subject	Επίμυες	el
dc.subject	Ταξινόμηση βίντεο	el
dc.subject	Ταξινόμηση συμπεριφοράς	el
dc.subject	Αναγνώριση συμπεριφοράς	el
dc.subject	Νευροεπιστήμη	el
dc.subject	Ψυχοφαρμακολογία	el
dc.title	Αναγνώριση και Ταξινόμηση Δράσεων σε Βίντεο Προ-κλινικών Πειραμάτων με Τεχνικές Μηχανικής Μάθησης	el
dc.title	Action Recognition and Classification in Pre-Clinical Experiment Videos with Machine Learning Techniques	en
dc.contributor.department	Τομέας Τοπογραφίας - Εργαστήριο Τηλεπισκόπησης	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Machine Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-07-05
heal.abstract	Η ραγδαία εξέλιξη του κλάδου της μηχανικής μάθησης, λόγω της ανάπτυξης της βαθιάς μάθησης, έχει σημάνει μεγάλες αλλαγές στην αυτοματοποίηση της επίλυσης διαφόρων προβλημάτων, που μέχρι πρότινος απαιτούσαν ώρες ανθρώπινης επαναλαμβανόμενης εργασίας. Στην παρούσα διπλωματική, σκοπός είναι η αυτοματοποίηση της αναγνώρισης της συμπεριφοράς, κατά την δοκιμασία εξαναγκασμένης κολύμβησης σε επιμύες, με τεχνικές μηχανικής μάθησης. Το πείραμα αυτό αποτελεί ένα σύνηθες μέσο για τη μελέτη της επίδρασης αντικαταθλιπτικών φαρμάκων. Πρόκειται για την τοποθέτηση επιμυών σε κυλίνδρους με νερό για τη μέτρηση του χρονικού διαστήματος ακινησίας, κολύμβησης και αναρρίχησης του υποκειμένου. Για την πραγματοποίηση επιβλεπόμενης ταξινόμησης, χρησιμοποιήθηκε dataset με βίντεο 8 ωρών περιλαμβανομένων των αντίστοιχων αληθών τιμών δύο ειδικών παρατηρητών. Έπειτα από διόρθωση και επεξεργασία του dataset, υλοποιήθηκαν μοντέλα εκτίμησης της συμπεριφοράς από την ανάλυση δεδομένων των βίντεο. Για την πρόβλεψη της συμπεριφοράς σχεδιάστηκαν και εφαρμόστηκαν τόσο συμβατικές τεχνικές αναγνώρισης συμπεριφοράς όσο και τεχνικές βαθιάς μάθησης με τη χρήση νευρωνικών δικτύων. Αρχικά εφαρμόστηκε ο αλγόριθμος πυκνών τροχιών, για την εξαγωγή χωροχρονικών περιγραφών, κωδικοποίηση με Fisher Vectors και ταξινόμηση τους με Μηχανές Διανυσμάτων Υποστήριξης. Στη συνέχεια με χρήση της αρχιτεκτονικής τεχνητών νευρωνικών δικτύων Inflated 3D, κατάλληλη για αναγνώριση δράσης, πραγματοποιήθηκε βελτιστοποίηση παραμέτρων. Ακόμη σχεδιάστηκαν και βελτιστοποιήθηκαν αρχιτεκτονικές με συνδυασμούς δισδιάστατων συνελικτικών δικτύων για εξαγωγή χωρικών χαρακτηριστικών και ανατροφοδοτούμενων δικτύων για τη συσχέτιση τους στο χρονικό πεδίο. Η ταξινόμηση των περιγραφών του αλγορίθμου πυκνών τροχιών, επιτυγχάνει ικανοποιητική ακρίβεια στις δύο κυρίαρχες κατηγορίες του dataset. Τα δίκτυα LSTM παρουσιάζουν αντίστοιχης ποιότητας αποτελέσματα. Βελτίωση στο πρόβλημα της ανισορροπίας των κατηγοριών, σημειώνει η αρχιτεκτονική Inflated 3D, με τη χρήση προεκπαιδευμένων βαρών, με ευστοχία 82\% στα δείγματα που συμφωνούν οι ειδικοί παρατηρητές. Τα σφάλματα του μοντέλου εντοπίζονται στις περιπτώσεις όπου υπάρχει αβεβαιότητα και για τους παρατηρητές, σε αντίστοιχο βαθμό. Σαν αποτέλεσμα, υλοποιήθηκε ένα πλήρως αυτοματοποιημένο σύστημα για την ανίχνευση της συμπεριφοράς των επιμύων στη δοκιμασία εξαναγκασμένης κολύμβησης.	el
heal.abstract	The rapid evolution of machine learning science, due to the development of deep learning, has led to major changes in the automation of solving various problems, which until recently required hours of human repetive work. The purpose of this diploma thesis is to automate the forced swimming test in rats. This experiment is a common tool for studying the effect of antidepressant drugs. The rats are placed in water cylinders to measure the immobility, swimming and climbing time of the subject. To perform a supervised classification, a 8-hour dataset was used, including the corresponding ground truth values of two expert observers. After correcting and preprocessing the dataset, prediction models for the of behavior recognition of the rats were implemented. For behavior prediction, both conventional behavioral recognition techniques and deep learning techniques were designed and implemented. Initially, the Dense Trajectories algorithm was applied to extract spatio-temporal descriptions, Fisher Vectors coding, and Classification with Support Vector Machines.Then, using Inflated 3D Artificial Neural Network, suitable for action recognition, parameter optimization was performed. Architectures have also been designed and optimized with combinations of two-dimensional convolutional networks for the extraction of spatial features and recurrent networks for their correlation in time domain.The classification of the dense trajectories algorithm descriptions achieves satisfactory accuracy in the two predominant categories of the dataset. LSTM networks show similar quality results. Inflated 3D, using pre-trained weights, improves the problem of class imbalance, achieving 82\% accuracy. The model errors are detected in cases where there is uncertainty for observers, to an equivalent rate. As a result, a fully automated system for detecting the behavior of rats in the forced swimming test was implemented.As a result, a fully automated system for detecting the behavior of rats in the forced swimming test was implemented.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Δάλλα, Χριστίνα	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	118 σ.	el
heal.fullTextAvailability	true