Βελτίωση µεθόδων µεταφοράς στυλ με  επαύξηση δεδοµένων για γενίκευση πεδίου

Σπανός, Νικόλαος; Spanos, Nikolaos

dc.contributor.author	Σπανός, Νικόλαος	el
dc.contributor.author	Spanos, Nikolaos	en
dc.date.accessioned	2024-04-22T08:01:07Z
dc.date.available	2024-04-22T08:01:07Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59233
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26929
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Βαθιά µάθηση	el
dc.subject	Ανταγωνιστική επαύξηση δεδοµένων	en
dc.subject	Κατάτµηση εικόνας	el
dc.subject	Μεταφορά στυλ	el
dc.subject	Domain generalisation	en
dc.subject	Deep learning	en
dc.subject	Style transfer	en
dc.subject	Image segmentation	en
dc.subject	Adversarial data augmentation	en
dc.subject	Γενίκευση πεδίου	el
dc.title	Βελτίωση µεθόδων µεταφοράς στυλ με επαύξηση δεδοµένων για γενίκευση πεδίου	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-10-26
heal.abstract	Τα συστήµατα ϐαθιάς µάθησης έχουν οδηγήσει σε τεράστιες ϐελτιώσεις στον τοµέα της υπολογιστικής όρασης. ΄Οµως, σε τοµείς όπως ο ιατρικός, η έλλειψη οργανωµένων συνόλων δεδοµένων έχει οδηγήσει σε µεγάλα προβλήµατα απόδοσης. Σε συνδυασµό µε αυτήν την έλλειψη, έχει παρατηρηθεί ότι η απόδοση συστηµάτων ϐαθιάς µάθησης σε πραγµατικές εϕαρµογές είναι µειωµένη, λόγω του γεγονότος ότι δεν ανταποδίδουν επαρκώς σε δεδοµένα που προέρχονται από άγνωστα πεδία. Αυτό συµβαίνει διότι κατά την εκπαίδευση γίνεται η παραδοχή ότι τα δεδοµένα εκπαίδευσης και ελέγχου ϐρίσκονται στο ίδιο πεδίο, ενώ σε ϱεαλιστικές εφαρµογές, όπως σε κατάτµηση ιατρικών εικόνων, η παρουσία κρυφών µεταβλητών µεταβάλλει τις εικόνες σε µεγάλο ϐαθµό. Ακόµα και εάν παρουσιάζουν το ίδιο σηµασιολογικό περιεχόµενο, διαφορές στον τρόπο ή στο όργανο λήψης της εικόνας µπορούν να οδηγήσουν σε λανθασµένα αποτελέσµατα. Μεγάλο µέρος της έρευνας αιχµής τα τελευταία χρόνια στον τοµέα της ϐαθιάς µάθησης εστιάζει στην δηµιουργία µεθόδων γενίκευσης πεδίου, µε τις οποίες από λιγοστά δεδοµένα µπορούν τα δίκτυα ϐαθιάς µάθησης να γενικέυσουν σε άγνωστα πεδία. Ο απώτερος σκοπός τέτοιων µεθόδων είναι η επίλυση του προβλήµατος γενίκευσης και η δηµιουργία πρακτικών και εύχρηστων εργαλείων, που ϑα ϐρουν εφαρµογή σε πολλούς τοµείς της καθηµερινότητας. Στόχος της διπλωµατικής εργασίας είναι η διερεύνηση σύγχρονων µεθόδων γενίκευσης πεδίου και η ανάπτυξη ενός ϐελτιωµένου συστήµατος, το οποίο εκµεταλλεύεται περίπλοκες µεθόδους επαύξησης δεδοµένων σε συνδυασµό µε τεχνικές µεταφοράς στυλ και ανταγωνιστικής µάθησης και η εφαρµογή του σε ιατρικές εικόνες.	el
heal.abstract	Deep learning systems have led to huge improvements in computer vision. However, in areas such as the medical area, the lack of organised datasets has led to major performance issues for these systems. Coupled with this lack of data, it has been observed that deep learning systems do not respond adequately to data from unknown domains. This is because during training it is assumed that the training and control data are in the same domain, whereas in realistic applications, such as in medical image segmentation, the presence of latent variables alters the images in a large degree. Even if they present the same semantic content, differences in the way or instrument of image acquisition can lead to erroneous results. Much of the cutting edge research in recent years in the field of deep learning focuses on the creation of domain generalization methods, whereby from sparse data deep learning networks can generalize to unknown domains. The ultimate goal of such methods is to solve the generalization problem and create practical and easy-to-use tools, that can find practical uses in every-day life. The aim of this thesis is to investigate state-of-the-art methods for domain generalization and develop an improved system that exploits sophisticated data augmentation methods combined with style transfer and competitive learning techniques and apply it to medical images	en
heal.advisorName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	86 σ.	el
heal.fullTextAvailability	false