Εφαρµογή τεχνητών νευρωνικών δικτύων αιχµών σε δεδοµένα δυναµικών αισθητήρων όρασης

Κορακοβούνης, Δημήτριος; Korakovounis, Dimitrios; Αλεξάκης, Γεώργιος; Alexakis, Georgios

dc.contributor.author	Κορακοβούνης, Δημήτριος	el
dc.contributor.author	Korakovounis, Dimitrios	en
dc.contributor.author	Αλεξάκης, Γεώργιος	el
dc.contributor.author	Alexakis, Georgios	en
dc.date.accessioned	2021-12-29T12:06:22Z
dc.date.available	2021-12-29T12:06:22Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54268
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21966
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
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	Νευρωνικά δίκτυα αιχμών	el
dc.subject	Αισθητήρες δυναμικής όρασης	el
dc.subject	Νευρομορφικά συστήματα	el
dc.subject	Σχήματα κωδικοποίησης αιχμών	el
dc.subject	Μέθοδοι μάθησης νευρωνικών δικτύων αιχμών	el
dc.subject	Spiking neural networks	en
dc.subject	Dynamic vision sensors	en
dc.subject	Neuromorphic systems	en
dc.subject	Spike encoding shemes	en
dc.subject	Spiking neural networks learning methods	en
dc.title	Εφαρµογή τεχνητών νευρωνικών δικτύων αιχµών σε δεδοµένα δυναµικών αισθητήρων όρασης	el
dc.title	Application of spiking neural networks in dynamic vision sensor data	en
heal.type	bachelorThesis
heal.classification	Νευρωνικά Δίκτυα	el
heal.classification	Neural Networks	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-10-11
heal.abstract	Η συγχώνευση της τεχνολογίας µε τον ανθρώπινο εγκέφαλο ϐρίσκεται σήµερα στο αποκορύφωµά της. Βλέπουµε τη διατριβή µας ως µια ευκαιρία να εισαγάγουµε ευρήµατα από τη νευροεπιστήµη σε αναγνώστες µε υπόβαθρο ηλεκτρολόγων µηχανικών και µηχανικών υπολογιστών για να τους εµπνεύσουµε να εµβαθύνουν σε πράγµατα που ο εγκέφαλος έχει να τους µάθει και πώς αυτό ϑα µπορούσε να οδηγήσει σε νέα και πιο εξελιγµένη τεχνητή νοηµοσύνη αλλά και γιατί αυτό είναι απαραίτητο λαµβάνοντας υπόψη την τεράστια κατανάλωση ενέργειας των τρεχουσών µεθόδων. Ενηµερώνουµε πρώτα τους αναγνώστες για τις ενεργειακές απαιτήσεις των σηµερινών νευρωνικών δικτύων. Περιγράφουµε επίσης ευρήµατα της νευροεπιστήµης σχετικά µε νευρώνες, συνάψεις, δενδρίτες και πώς αυτά σχηµατίζουν µεγαλύτερες δοµές, στη συνέχεια συνεχίζουµε µε την κωδικοποίηση πληροφοριών, τη χρονική κωδικοποίηση των πληροφοριών µέσω πειραµάτων σε διάφορους οργανισµούς και µερικούς τρόπους µε τους οποίους γίνεται η επεξεργασία πληροφοριών στον εγκέφαλο. Στη συνέχεια συγκρίνουµε το υλικό που χρησιµοποιούν τα νευρωνικά δίκτυα αιχµών ,τα νευροµορφικά, µε υπολογιστικά συστήµατα που ϐασίζονται στην αρχιτεκτονική Von-Neumann. ΄Επειτα εξηγούµε τις µεθόδους και τις εξισώσεις που χρησιµοποιούνται για την προσοµοίωση µοντέλων νευρώνων και ποιοι αλγόριθµοι µάθησης µπορούν να χρησιµοποιηθούν για να ελέγξουν την αποτελεσµατικότητα και την απόδοσή τους µε ϐιβλιοθήκες λογισµικού που ϐασίζονται σε υπάρχουσες ϐιβλιοθήκες µηχανικής εκµάθησης όπως οι PyTorch και TensorFlow, λαµβάνοντας υπόψη την ανάγκη εφαρµογής αυτών των ευρηµάτων στη ϐιοµηχανία. Επίσης, αναλύουµε τους αισθητήρες δυναµικής όρασης. Στην επόµενη ενότητα παρουσιάζουµε τα πειράµατά µας σχετικά µε το σύνολο δεδοµένων αισθητήρα δυναµικής όρασης που χρησιµοποιήσαµε ’DVS Gestures’ από την IBM και εξηγούµε λεπτοµερώς τα αποτελέσµατα. Στο τέλος, συνοψίζουµε τα ευρήµατα της έρευνας µας και προτείνουµε νέες ερευνητικές κατευθύνσεις που ϑα µπορούσαν να µειώσουν σηµαντικά το οικονοµικό κόστος της µηχανικής µάθησης .	el
heal.abstract	The fusion of technology and the human brain is currently at its peak. We see our thesis as an opportunity to introduce findings from neuroscience to readers with electrical and computer engineering backgrounds to inspire them to delve deeper into what the brain has to educate them and how this could lead to new and more sophisticated AI and why this is necessary considering the immense energy consumption of current methods. We first inform the readers about the energy requirements of today’s neural networks. The dissertation goes on to describe neuroscience research in a simple manner. We attempt to describe findings from neurons,synapses, dendrites, and how these form larger structures, then continue to information encoding, temporal coding of visual information and findings of the inner workings of the vision system of the mammalian brain. Then we compare the hardware that employs simple spiking neural networks, neuromorphics, with Von-Neumann computer systems. Next we explain methods and the equations that are used to simulate neuron models and what learning algorithms can be used to test their efficiency and performance with software libraries based on existing machine learning libraries such as PyTorch and TensorFlow, taking into account the need to implement these findings in the industry. We also explain some basic operating principles of dynamic vision sensors. In the next section we present our experiments on the dynamic vision sensor dataset ’DVS Gestures’ by IBM and explain our results in detail. Finally, we summarize our research findings and propose new research directions that could significantly reduce the financial cost of machine learning.	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	140 σ.	el
heal.fullTextAvailability	false