Αναγνώριση τεχνοτροπίας έργων τέχνης με συνελικτικά νευρωνικά δίκτυα

Μενής - Μαστρομιχαλάκης, Ορφέας; Menis - Mastromichalakis, Orfeas

dc.contributor.author	Μενής - Μαστρομιχαλάκης, Ορφέας
dc.contributor.author	Menis - Mastromichalakis, Orfeas	en
dc.date.accessioned	2020-05-11T20:29:11Z
dc.date.available	2020-05-11T20:29:11Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50477
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.18175
dc.rights	Default License
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Αναγνώριση τέχνης	el
dc.subject	Καλλιτεχνική τεχνοτροπία	el
dc.subject	Μεταφορά γνώσης	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Convolutional neural networks	en
dc.subject	Art Recognition	en
dc.subject	Artistic style	en
dc.subject	Transfer learning	en
dc.subject	Machine learning	en
dc.title	Αναγνώριση τεχνοτροπίας έργων τέχνης με συνελικτικά νευρωνικά δίκτυα	el
heal.type	bachelorThesis
heal.classification	Επιστήμη των υπολογιστών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-11-12
heal.abstract	Η ραγδαία ψηφιοποίηση του κόσμου που λαμβάνει χώρα τις τελευταίες δεκαετίες, έχει ως αποτέ- λεσμα και την ψηφιοποίηση ενός τεράστιου αριθμού έργων τέχνης. Η διαχείρισή κι επεξεργασία ενός τόσο μεγάλου όγκου πληροφοριών αποτελεί μια ιδιαίτερα απαιτητική πρόκληση. Τα τελευ- ταία χρόνια έχουν γίνει βήματα για τη χρήση της τεχνητής νοημοσύνης στην υπηρεσία της τέχνης. Τα δείγματα ήταν πολύ ελπιδοφόρα και σύντομα ξεκίνησε μια τάση στους κλάδους της μηχανικής μάθησης που αφορούσε την αναγνώριση, ταξινόμηση, επεξεργασίά αλλά ακόμη και δημιουργία έρ- γων τέχνης. Τα άλματα που έχουν γίνει την τελευταία δεκαετία στην αναγνώριση εικόνας μέσω της βαθιάς μάθησης, άνοιξαν το δρόμο για την ευρύτερη μελέτη της τέχνης μέσω του συγκεκριμένου κλάδου. Σε συνέχεια των παραπάνω, αποφασίσαμε στην παρούσα διπλωματική να ασχοληθούμε με την αναγνώριση τεχνοτροπίας έργων τέχνης με χρήση συνελικτικών νευρικών δικτύων. Η καλλιτεχνική τεχνοτροπία ανέκαθεν αποτελούσε το κύριο κριτήριο ομαδοποίησης και τα- ξινόμησης των έργων τέχνης. Μέχρι και στις μέρες μας όμως, κατά κύριο λόγο το έργο αυτό επι- τελείται από ανθρώπους με χρόνια εκπαίδευσης, εμπειρίας κι εξειδίκευσης στον κλάδο, όπως κρι- τικοί και ιστορικοί τέχνης. Τα τελευταία χρόνια έχουν γίνει πολύ αξιόλογες προσπάθειες στην ταξινόμηση έργων τέχνης, αλλά ακόμη υπάρχουν πολλά κομμάτια που έχουν μείνει ανεξερεύνητα, αφήνοντας χώρο για σημαντικές βελτιώσεις. Η δουλειά μας επικεντρώθηκε στην κατανόηση και ανάλυση των κύριων παραμέτρων που επηρεάζουν την εκπαίδευση και την αποτελεσματικότητα ενός συνελικτικού νευρωνικού δικτύου, ενώ παράλληλα επιχειρήσαμε και επιτύχαμε να δημιουρ- γήσουμε μοντέλα βαθιάς μάθησης τα οποία ξεπέρασαν σε επιδόσεις σχεδόν όλα όσα έχουν δη- μιουργηθεί μέχρι στιγμής. Πιο συγκεκριμένα συλλέξαμε, μελετήσαμε κι αξιολογήσαμε διαφορε- τικά σύνολα δεδομένων, εκτελέσαμε πάνω από εκατό πειράματα, εκπαιδεύοντας μοντέλα με δια- φορετικές αρχιτεκτονικές και υπερπαραμέτρους, κι εφαρμόσαμε μεθόδους συνδυαστικής μάθησης στα μοντέλα που εκπαιδεύσαμε, επιτυγχάνοντας κορυφαίες επιδόσεις. Αναλύσαμε βαθύτερα τα χαρακτηριστικά κάθε τεχνοτροπίας και τον τρόπο όπου αυτά επηρεάζουν τις προβλέψεις ενός ταξινομητή και τέλος με βάση την εμπειρία και τις γνώσεις που αποκτήσαμε προτείναμε μερικές ενδιαφέρουσες μελλοντικές κατευθύνσεις της επιστημονικής μελέτης.	el
heal.abstract	of a huge amount of artworks. The administration and processing of such a huge amount of data compound a very challenging problem. The last years, artificial intelligence has made important steps in putting science in the service of art. The results were promising and soon a tendency in the field of machine learning began, concerning recognition, classification, process and even creation of artworks. The tremendous progress that has been achieved the last decade in image recognition through deep learning, gave the opportunity for scientists to study art through that scientific field. Due to all those things stated above, we decided to study the recognition of artistic style in artworks with the use of convolutional neural networks. Artistic style has always been the main attribute according to which art classification is performed. Even in the recent days, this task is mainly done by art experts with years of studies and experience. The last years notable results have been achieved in artwork recognition tasks, but there’s still a long way to go. Our work focused on the understanding and analyzing of the main parameters that affect the training and the effectiveness of a CNN, while we achieved state of the art results. We collected, studied and evaluated different datasets, we performed more than 100 experiments using models with different architectures and hyperparameters, and we used ensemble learning which lead us to top results. We elaborated in the deeper characteristics of artistic styles and the way that they affect the prediction of a classifier. Last but not least, based on the experience and the knowledge that we gained, we suggested some interesting topics for future work.	en
heal.advisorName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας - Γεώργιος	el
heal.committeeMemberName	Παπασπύρου, Νικόλαος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	88 σ.
heal.fullTextAvailability	false