Αναγνώριση φαγητού σε εικόνες με τεχνικές υπολογιστικής όρασης και βαθιάς μάθησης

Παλυβός, Χρήστος; Palyvos, Christos

dc.contributor.author	Παλυβός, Χρήστος	el
dc.contributor.author	Palyvos, Christos	en
dc.date.accessioned	2020-04-15T11:03:20Z
dc.date.available	2020-04-15T11:03:20Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50180
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.17878
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	Όραση Υπολογιστών	el
dc.subject	Συνελικτικά Νευρωνικά Δίκτυα	el
dc.subject	Επιταχυνόμενος Μετασχηματισμός	el
dc.subject	Μεταφορά Μάθησης	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Computer Vision	en
dc.subject	CNN	en
dc.subject	SURF	en
dc.subject	Transfer Learning	en
dc.subject	Deep Learning	en
dc.title	Αναγνώριση φαγητού σε εικόνες με τεχνικές υπολογιστικής όρασης και βαθιάς μάθησης	el
heal.type	bachelorThesis
heal.generalDescription	Αναγνώριση Φαγητού σε Εικόνες	el
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2019-07-08
heal.abstract	Στην εργασία αυτή ερευνούμε την Οπτική Αναγνώριση Φαγητού ακολουθώντας δύο προσεγγίσεις που περιγράφονται παρακάτω. Για την αξιολόγηση κάθε προσέγγισης, χρησιμοποιούμε σύνολα δεδομένων και πειραματικές ρυθμίσεις που ακολουθούνται από τη βιβλιογραφία. Σκοπός της παρούσας διπλωματικής εργασίας είναι η παρουσίαση και η σύγκριση τεχνικών υπολογιστικής όρασης και τεχνικών βαθιάς μάθησης. Είναι δύο εντελώς διαφορετικές προσεγγίσεις του θέματος, καθεμία με τα δικά της πλεονεκτήματα. Στην πρώτη προσέγγιση εξάγουμε χαρακτηριστικά από τις εικόνες και ταξινομούμε ένα σύνολο εικόνων με βάση τα χαρακτηριστικά αυτά. Χρησιμοποιούμε χαρακτηριστικά που είναι αμετάβλητα ως προς την κλίμακα, ως προς την περιστροφή καθώς και μία μέθοδο ταχείας εξαγωγής. Δεδομένου ότι ολόκληρη η διαδικασία ανίχνευσης είναι ένα ενιαίο δίκτυο, μπορεί να βελτιστοποιηθεί άμεσα από άκρο σε άκρο. Για την αξιολόγηση των μεθόδων και την εκτέλεση των πειραμάτων χρησιμοποιούμε το σύνολο δεδομένων FOOD-101. Στην δεύτερη προσέγγιση κάνουμε χρήση Συνελικτικών Νευρωνικών Δικτύων, τα οποία εκπαιδεύονται στο σύνολο δεδομένων FOOD-101. Χρησιμοποιούμε είτε εκπαιδευμένα εκ των προτέρων νευρωνικά δίκτυα είτε όχι για την παραγωγή των μοντέλων. Για την αξιολόγηση των μεθόδων και την εκτέλεση των πειραμάτων χρησιμοποιούμε το σύνολο δεδομένων FOOD-101.	el
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Παναγόπουλος, Αλέξανδρος	el
heal.committeeMemberName	Κουτσούρης, Δημήτρης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	90 σ.	el
heal.fullTextAvailability	true