Συσχέτιση φωτογραφιών και έργων τέχνης µε συνελικτικά νευρωνικά δίκτυα

Ταράση, Στελίνα; Tarasi, Stelina

dc.contributor.author	Ταράση, Στελίνα	el
dc.contributor.author	Tarasi, Stelina	en
dc.date.accessioned	2022-09-22T10:29:49Z
dc.date.available	2022-09-22T10:29:49Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55721
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23419
dc.rights	Default License
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Unsupervised learning	en
dc.subject	Painting	en
dc.subject	Μη επιβλεπόµενη µάθηση	el
dc.subject	Φωτογραφία	el
dc.subject	Ζωγραφική	el
dc.subject	Μεταφορά γνώσης	el
dc.subject	Convolutional neural networks	en
dc.subject	Photography	en
dc.title	Συσχέτιση φωτογραφιών και έργων τέχνης µε συνελικτικά νευρωνικά δίκτυα	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-04-01
heal.abstract	Οι εικαστικές τέχνες καθρεφτίζουν τον τρόπο µε τον οποίο οι άνθρωποι αντιλαµβάνονται τον κόσµο. Αποτελούν καίριο παράγοντα για την κατανόηση της κουλτούρας και της ιστορίας κάθε πολιτισµού. Στη σύγχρονη εποχή, η άµεση αποτύπωση της πραγµατικότητας γίνεται µέσω του ϕωτορεπορτάζ. Παρατηρώντας ϕωτογραφίες του 20ου και 21ου αιώνα, µπορούµε να ανακαλύψουµε οµοιότητες µε παλαιότερα έργα τέχνης, εντοπίζοντας ορισµένες κοινές αντιλήψεις των ανθρώπων για την πραγµατικότητα. Η συνεχής προσπάθεια των τελευταίων χρόνων για ψηφιοποίηση των έργων τέχνης σε συνδυασµό µε τις ραγδαίες εξελίξεις στο χώρο της τεχνητής νοηµοσύνης, µας προσφέρουν τη δυνατότητα να µελετήσουµε τις συνδέσεις που υπάρχουν ανάµεσα στα έργα τέχνης σε µικρό χρόνο χρησιµοποιώντας πολύ µεγάλα σύνολα δεδοµένων. Στη παρούσα διπλωµατική εργασία, θελήσαµε να µελετήσουµε τον τρόπο που οι υπολογιστές αντιλαµβάνονται τα έργα τέχνης µέσα από ένα σύνολο άνω των 470.000 δεδοµένων, καθώς και την αποδοτικότητα τους στο να εντοπίζουν συσχετίσεις ανάµεσα σε ϕωτογραφίες και πίνακες Ζωγραφικής. Για τους λόγους αυτούς, µέσω της µεταφοράς γνώσης, χρησιµοποιήσαµε πέντε διαφορετικά µοντέλα συνελικτικών νευρωνικών δικτύων για την εξαγωγή χαρακτηριστικών από τα δεδοµένα. Στη συνέχεια, εφαρµόσαµε µεθόδους για τη µείωση των διαστάσεων των εξαγόµενων χαρακτηριστικών και τη ϐελτίωση της απόδοσης του συστήµατος. Τέλος, για κάθε ϕωτογραφία που θέσαµε σαν είσοδο, υλοποιήσαµε µη επιβλεπόµενη αναζήτηση κοντινότερων γειτόνων για τον εντοπισµό των πλησιέστερων, ως προς εκείνη, έργων τέχνης.	el
heal.advisorName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	83 σ.	el
heal.fullTextAvailability	false