Εφαρμογή τεχνητών νευρωνικών δικτύων για την αναγνώριση και ταξινόμηση δράσεων σε δεδομένα βίντεο

Μουμούρης, Τηλέμαχος; Moumouris, Tilemachos

dc.contributor.author	Μουμούρης, Τηλέμαχος	el
dc.contributor.author	Moumouris, Tilemachos	en
dc.date.accessioned	2022-12-14T08:28:18Z
dc.date.available	2022-12-14T08:28:18Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56446
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24144
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Μηχανική Μάθηση	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Συνελικτικά Επίπεδα	el
dc.subject	Ταξινόμηση δράσεων	el
dc.subject	Νευροψυχοφαρμακολογία	el
dc.subject	Machine learning	en
dc.subject	Neuropsychopharmacology	en
dc.subject	Convolutional layers	en
dc.subject	Action recognition	en
dc.subject	Artificial Neural Networks	en
dc.title	Εφαρμογή τεχνητών νευρωνικών δικτύων για την αναγνώριση και ταξινόμηση δράσεων σε δεδομένα βίντεο	el
dc.title	Implementation of artificial neural networks for action recognition and classification in video 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	2022-07-20
heal.abstract	Η Μηχανική Μάθηση, είναι ένας κλάδος ο οποίος έχει γνωρίσει σημαντική εξέλιξη τα τελευταία χρόνια. Παρατηρείται όλο και περισσότερο η χρήση Τεχνητών Νευρωνικών Δικτύων για την επίλυση καθημερινών προβλημάτων σε πληθώρα εφαρμογών, που υπό άλλες συνθήκες, θα ήταν δύσκολο και χρονοβόρο να επιλυθούν. Στην παρούσα ΔΕ, σκοπός ήταν η διερεύνηση των δυνατοτήτων των Τεχνητών Νευρωνικών Δικτύων να ταξινομήσουν τις δράσεις των πειραματόζωων κατά την διάρκεια του πειράματος της εξαναγκασμένης κολύμβησης. Η δοκιμασία αυτή έχει στόχο να αναγνωρίσει ποσοτικά και ποιοτικά τις κινήσεις που εκτελούνται από τους επιμύες για την μελέτη αντικαταθλιπτικών ουσιών. Τα πειράματα εκτελέστηκαν στο εργαστήριο Φαρμακολογίας της Ιατρικής Σχολής Αθηνών (ΕΚΠΑ) από τη συνεργαζόμενη ομάδα Νευροψυχοφαρμακολογίας. Για την εκτέλεση του πειράματος, τα πειραματόζωα, τοποθετούνται μέσα σε κύλινδρο και στην συνέχεια, καταγράφεται ο χρόνος της εκτέλεσης των κινήσεων Αναρρίχησης, Κολύμβησης, Ακινησίας καθώς και οι φορές που εκτελέστηκε Κατάδυση και Τίναγμα Κεφαλής. Αρχικά, δημιουργήθηκε Dataset που περιείχε στο σύνολό του βίντεο διάρκειας 16 ωρών και ταξινομημένα ως προς την κίνηση από ειδικούς του παραπάνω εργαστηρίου και από τον συγγραφέα της παρούσας ΔΕ σε συνεργασία με την ΥΔ Παυλίνα Παυλίδη. Στην συνέχεια, έγινε προ-επεξεργασία των δεδομένων και συγχρονισμός των ταξινομήσεων. Για την εφαρμογή Τεχνητών Νευρωνικών Δικτύων για την αναγνώριση των δράσεων του εκάστοτε επιμύ, αρχικά σχεδιάστηκαν αρχιτεκτονικές δικτύων που έκαναν χρήση απλών επιπέδων τρισδιάστατων συνελίξεων και εκτελέστηκε ενδελεχής πειραματισμός και μελέτη της απόδοσής τους, καθώς και βελτιστοποίηση. Στην συνέχεια έγινε πειραματισμός με την χρήση της αρχιτεκτονικής ResNet3D και στην συνέχεια εκτελέστηκε σειρά πειραμάτων με την αρχιτεκτονική R(2+1)D όπου και έγινε βελτιστοποίηση των υπερπαραμέτρων του δικτύου. Το αποτέλεσμα των παραπάνω ήταν η υλοποίηση ολοκληρωμένου αλγορίθμου για την ταξινόμηση δράσεων σε δεδομένα βίντεο πειραμάτων εξαναγκασμένης κολύμβησης.	el
heal.abstract	Machine learning, has seen many advances over the recent years. Nowadays, the use of Artificial Neural Networks is increasing and many everyday problems that are time consuming, laborious and too hard to be solved by humans are tackled with the use of these Networks. The purpose of this thesis is the implementation of artificial neural networks for action recognition in video, more specifically in the Forced Swim Test (FST) in rats. This experiment is used in order to study the effects of antidepressant drugs by scoring the actions during these experiments, a task which is very time consuming. The experiments were carried out by the Neuropsychopharmacology Research Group in the Department of Pharmacology, Medical School (NKUA). The Dataset contained 16 hours of annotated videos. Before implementing artificial neural networks to classify the actions of animals, videos and ground truth classifications were synchronized. Firstly, simple architectures were implemented which used different numbers of 3D convolutional layers. After series of experiments, these networks were fine-tuned and compared. Next, the well-known architecture of ResNet3D was used to further study the use of residual neural networks for action recognition. Finally, the architecture R(2+1)D was studied and fine-tuned. The final result of this thesis is a complete algorithm for the classification of actions in videos of FST.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.advisorName	Karantzalos, Konstantinos	en
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Παπαδοπούλου, Μαρία	el
heal.committeeMemberName	Doulamis, Anastasios	en
heal.committeeMemberName	Papadopoulou, Maria	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	102 σ.	el
heal.fullTextAvailability	false