Κατηγοριοποίηση σε εφαρμογές χειρόγραφων χαρακτήρων με λίγα παραδείγματα

Γεωργιάδης, Παναγιώτης; Georgiadis, Panagiotis

dc.contributor.author	Γεωργιάδης, Παναγιώτης	el
dc.contributor.author	Georgiadis, Panagiotis	en
dc.date.accessioned	2020-04-26T19:07:14Z
dc.date.available	2020-04-26T19:07:14Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50257
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.17955
dc.rights	Default License
dc.subject	Μηχανική Μάθηση	el
dc.subject	Συνελικτικό Νευρωνικό Δίκτυο	el
dc.subject	Few-shot Learning	en
dc.title	Κατηγοριοποίηση σε εφαρμογές χειρόγραφων χαρακτήρων με λίγα παραδείγματα	el
dc.contributor.department	Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.classification	Βαθιά Μάθηση	el
heal.classification	΄Οραση Υπολογιστών	el
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-10-29
heal.abstract	Η ολοένα και αυξανόμενη χρήση των νευρωνικών δικτυών είναι αποτέλεσμα της εκπληκτικής ικανότητας τους να γενικεύουν και να μαθαίνουν καλές αναπαραστάσεις των δεδομένων. Ωστόσο η επιδόση τους είναι συνάρτηση του πλήθους των παραδειγμάτων που διαθέτουν για την εκπαιδευσή τους. Η εργασία αυτή εκτελεί ανάλυση των βασικών χαρακτηριστικών των δικτύων που χρησιμοποιούνται σε περιπτώσεις με πολύ λίγα παραδείγματα, όπου οι παραδοσιακές μορφές νευρωνικών δικτύων αποτυγχάνουν. Στο πλαίσιο αυτής της εργασίας συγκρίνουμε τις αρχιτεκτονικές στο πλαίσιο του One-shot learning, δηλαδή στην ικανότητα τους να μάθουν μια καινούργια κλάση, με μόνο ένα παράδειγμα από την κλάση αυτή. Συγκεκριμένα αναλύονται οι κυρίαρχες αρχιτεκτονικές που έχουν χρησιμοποιηθεί στο ευρέως διαδεδομένο Omniglot Dataset. Οι αρχιτεκτονικές συγκρίνονται τόσο ως προς την ικανότητα τους να διακρίνουν τους χαρακτήρες όσο και ως προς τις παραμέτρους που χρησιμοποιούν και τον χρόνο εκπαίδευσης. Στη συνέχεια υλοποιούνται ορισμένες από τις τεχνικές αυτές χρησιμοποιώντας το ίδιο συνελικτικό δίκτυο ως εξαγωγέα χαρακτηριστικών, το οποίο συνεπάγεται ότι έχουν σχεδόν το ίδιο σύνολο παραμέτρων μάθησης για να επιλύσουν το πρόβλημα (όποιες επιπλεόν παράμετροι χρησιμοποιούνται για την επίλυση του προβλήματος αναφέρονται). Οι μέθοδοι εκπαιδεύονται και αξιολογούνται σε χαρακτήρες από την ίδια αλφάβητο αλλά και από διαφορετικές, συγκρίνοντας τα αποτελέσματα όλων των διαφορετικών περιπτώσεων. Παράλληλα μελετώνται τεχνικές που μπορούν να χρησιμοποιηθούν για να βελτιώσουν την επίδοση των συστημάτων και προτείνονται κατευθύνσεις για μελλοντική έρευνα.	el
heal.advisorName	Στάμου, Γιώργος	el
heal.advisorName	Τζούβελη, Παρασκευή	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.committeeMemberName	Παπασπύρου, Νικόλαος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	70 σ.	el
heal.fullTextAvailability	false