Σθεναροί και γενικεύσιµοι αλγόριθµοι τεχνητής νοηµοσύνης για κατηγοριοποίηση ανισοκατανεµηµένων κλάσεων

Καραμπίνης, Βασίλης; Karampinis, Vasilis

dc.contributor.author	Καραμπίνης, Βασίλης	el
dc.contributor.author	Karampinis, Vasilis	en
dc.date.accessioned	2024-04-22T07:04:05Z
dc.date.available	2024-04-22T07:04:05Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59231
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26927
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, Κατηγοριοποίηση	el
dc.subject	Αυτο-επιβλεπώμενη μάθηση	el
dc.subject	Επαύξηση Δεδομένων	el
dc.subject	Μετασχηµατιστες όρασης	el
dc.subject	Neural Networks	en
dc.subject	Self-supervised learning	en
dc.subject	Data Augmentation	en
dc.subject	Vision Transformers	en
dc.subject	Few-shot Classification	en
dc.title	Σθεναροί και γενικεύσιµοι αλγόριθµοι τεχνητής νοηµοσύνης για κατηγοριοποίηση ανισοκατανεµηµένων κλάσεων	el
heal.type	bachelorThesis
heal.classification	Computer engineering	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-11-01
heal.abstract	Η µηχανική µάθηση και η ανάπτυξη των νευρωνικών δικτύων έχει οδηγήσει στην εκτεταµένη χρήση τους στην επίλυση προβληµάτων κατηγοριοποίησης εικόνων. Για την εκπαίδευση όµως τέτοιων µοντέλων και την παραγωγή συστηµάτων, που είναι αποδοτικά και γενικεύσιµα, είναι αναγκαία η εκπαίδευση σε ένα µεγάλο πλήθος απο επισηµασµενα δεδοµένα. Σε τοµείς όπως η ανάλυση ιατρικών εικόνων, η ανάπτυξη τέτοιων µεγάλων συνόλων δεδοµένων αποτελεί µια σηµαντική πρόκληση. Για αυτόν τον λόγο σηµαντικό ερευνητικό ενδιαφέρον σε αυτόν τον τοµέα επικεντρώνεται στην ανάπτυξη αποδοτικών τεχνικών εκπαίδευσης που να ϐασίζονται σε µικρό αριθµό δειγµάτων. Σκοπός της συγκεκριµένης διπλωµατικής εργασίας είναι η µελέτη τέτοιων τεχνικών εκπαίδευσης. Πιο συγκεκριµένα εφαρµόστηκε η τεχνική του few shot learning, η οποία χωρίζει τα δεδοµένα σε υποσύνολα τα οποία αποτελούνται από συγκεκριµένο αριθµό δειγµάτων και ανήκουν σε τυχαια επιλεγµένες κλάσεις. Αφού τα δεδοµένα χωριστούν σε αυτα τα υποσύνολα, στην συνέχεια εκτελείται η διαδικασία εκπαίδευσης σε κάθε ένα από τα υποσύνολα επεισοδιακά. Επιπλέον, χρησιµοποιήθηκαν τεχνικές που εµπνέονται από το µοντέλο εκπαίδευσης δασκάλου µαθητή και έχουν ως σκοπό την εκπαίδευση παραµέτρων ενος δικτύου που ϑα είναι εύκολα προσαρµόσιµες σε καινουρια σύνολα δεδοµένων µετα απο περιορισµένο αριθµό επαναλήψεων. Στην συνέχεια δοκιµάστηκαν µοντέλα µετασχηµατιστών όρασης (Vision Transformers) για την κατηγοριοποίηση αυτών των δεδοµένων πράγµα, το οποίο ήταν σηµαντική πρόκληση λόγω του περιορισµένου αριθµού δειγµάτων τον οποιο διέθεταν τα σύνολα δεδοµένων τα οποία χρησιµοποιήθηκαν. Για την εκπαίδευση αυτών των δικτύων χρησιµοποιήθηκε η µέθοδος του self-supervised learning, αλλά και σύνθετες τεχνικές επαύξησης δεδοµένων για την δηµιουργια πιο περίπλοκων αναπαραστάσεων, µε σκοπό την αντιµετώπιση του προβλήµατος του χαµηλου αριθµού δειγµάτων. Τέλος τα αποτελέσµατα του µοντέλου µετασχηµατιστή (Vision Transformer) που προέκυψαν συγκρίθηκαν µε το δίκτυο, το οποίο επιτύγχανε τα καλύτερα αποτελέσµατα για το συγκεκριµένο πρόβληµα και σύνολα δεδοµένων που επιλέχθηκαν. Συγκρίνοντας αυτά τα δύο δίκτυα παρατηρήθηκε οτι το µοντέλο του µετασχηµατιστή (Vision Transformer) πετυχαίνει αποτελέσµατα συγκρίσιµα µε την προαναφερθείσα µέθοδο.	el
heal.advisorName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Στάµου, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	130 σ.	el
heal.fullTextAvailability	false