Υποβοηθούμενες και κατανεμημένες τεχνικές βαθιάς μάθησης για τη σημασιολογική ταξινόμηση εικόνων σε κινητές συσκευές

Μπίμης, Αθανάσιος; Bimis, Thanasis

dc.contributor.author	Μπίμης, Αθανάσιος	el
dc.contributor.author	Bimis, Thanasis	en
dc.date.accessioned	2021-11-15T12:05:35Z
dc.date.available	2021-11-15T12:05:35Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54069
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21767
dc.rights	Default License
dc.subject	Μηχανική μάθηση	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Εξυπηρετητής νέφους	el
dc.subject	Εξυπηρετητής στην άκρη του Δικτύου	el
dc.subject	Machine learning	en
dc.subject	Deep learning	en
dc.subject	Convolutional neural networks	en
dc.subject	Cloud server	en
dc.subject	Edge server	en
dc.title	Υποβοηθούμενες και κατανεμημένες τεχνικές βαθιάς μάθησης για τη σημασιολογική ταξινόμηση εικόνων σε κινητές συσκευές	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-13
heal.abstract	Ο σκοπός της διπλωματικής εργασίας ήταν η σχεδίαση και ανάπτυξη μιας ολοκληρωμένης εφαρμογής αποθήκευσης και κατηγοριοποίησης εικόνας (AI Gallery App) για κινητές συσκευές με υποβοήθηση εξυπηρετητή. Συγκεκριμένα, έγινε σχεδιασμός εφαρμογής Android για κινητές συσκευές που εμφανίζει σε μορφή πλέγματος κατηγοριοποιημένες εικόνες για κάθε χρήστη, όπως και ο εξυπηρετητής που βρίσκεται στο νέφος ή την άκρη του δικτύου, για την πραγματοποίηση της κατηγοριοποίησης με τη βοήθεια μοντέλων μηχανικής μάθησης. Καθώς οι στόχοι του συστήματος που δημιουργήθηκε ήταν η υψηλή διεκπεραιωτική ικανότητα (εξυπηρετητής νέφους ή στην άκρη του δικτύου), η παραμετροποίηση ως προς το νευρωνικό δίκτυο, η υποστήριξη διαφορετικών συσκευών και η επεκτασιμότητα ως προς τον αριθμό των χρηστών, έγιναν συγκρίσεις με τη βοήθεια μετρήσεων που βοήθησαν στην εξαγωγή επιθυμητών συμπερασμάτων.	el
heal.abstract	The purpose of the thesis was to design and develop an integrated image storage and categorization application (AI Gallery App) for mobile devices with server assistance. In particular, an Android application was designed for mobile devices that displays categorized images in a grid format for each user, as well as the server located on the cloud or the edge of the network, to perform the categorization with the help of machine learning models. As the goals of the system created were high throughput (cloud server or network edge), neural network configuration, support for different devices, and scalability in terms of number of users, comparisons were made using measurements. which helped to draw the desired conclusions.	en
heal.advisorName	Venieris, Iakovos	en
heal.committeeMemberName	Venieris, Iakovos	en
heal.committeeMemberName	Kaklamani, Dimitra	en
heal.committeeMemberName	Panagopoulos, Athanasios	en
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	false