Μονάδα:
Κατεύθυνση Ηλεκτρονικός Αυτοματισμός (Η/Α, με πρόσθετη εξειδίκευση στην Πληροφορική και στα πληροφοριακά συστήματα)Βιβλιοθήκη Σχολής Θετικών Επιστημών
Ημερομηνία κατάθεσης:
2019-09-16
Συγγραφέας:
Λουρόπουλος Αλέξανδρος
Στοιχεία επιβλεπόντων καθηγητών:
Διονύσιος Ρεΐσης, Αναπληρωτής καθηγητής, Τμήμα Φυσικής, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
Αννα Τζανακάκη, Επίκουρη καθηγήτρια, Τμήμα Φυσικής, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
Εμμανουήλ Τσίλης, Επίκουρος καθηγητής, Τμήμα Φυσικής, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
Πρωτότυπος Τίτλος:
Ship Detection in Satellite Imagery Implemented on Convolutional Neural Networks
Γλώσσες εργασίας:
Αγγλικά
Μεταφρασμένος τίτλος:
Μελέτη και Υλοποίηση Συνελικτικών Νευρωνικών Δικτύων για Αναγνώριση Πλοίων
Περίληψη:
Η ανάγκη για γρήγορο εντοπισμό των πλοίων σε δορυφορικές φωτογραφίες γίνεται ολοένα και πιο σημαντική για διάφορους κοινωνικούς καθώς και τεχνικούς λόγους. Ο εντοπισμός αντικειμένων σε εικόνες αποτελεί ένα γνωσιακό πεδίο της ψηφιακής επεξεργασίας σήματος στο οποίο οι τεχνικές μηχανικής μάθησης αποδίδουν σε μεγάλο βαθμό. Έτσι λοιπόν, στην παρούσα έρευνα εφαρμόζονται οι τεχνικές αυτές στην επίλυση του συγκεκριμένου προβλήματος. Συγκεκριμένα, αναπτύχθηκαν τεχνικές βαθιάς μάθησης με αρχικό σκοπό την κατηγοριοποίηση του αντικειμένου αποτελούμενα από συνελικτικά νευρωνικά δίκτυα τα οποία αναλαμβάνουν να αναλύσουν μια δοσμένη εικόνα εισόδου και να αποφανθούν για το αν η εν λόγω εικόνα περιέχει η όχι ένα πλοίο με πολύ μεγάλη ακρίβεια.
Στη συνέχεια, για την ολοκλήρωση του σκοπού (εντοπισμός πλοίου σε εικόνα), η τεχνική του συρόμενου παραθύρου αναλύθηκε στην οποία μια μεγάλη εικόνα χωρίζεται σε πολλά μικρά τμήματα τα οποία περνάνε από το νευρωνικό δίκτυο. Αν το νευρωνικό δίκτυο αποφανθεί πως στο τμήμα αυτό περιέχεται ένα πλοίο, τότε αφού είναι γνωστό σε ποιο τμήμα ανήκει, είναι γνωστή και η θέση του πλοίου. Όμως η παραπάνω τεχνική είχε ως μεγάλο μειονέκτημα τον μεγάλο χρόνο εκτέλεσης. Για να μειωθεί αυτός ο χρόνος, χρησιμοποιήθηκε η τεχνική YOLO, η οποία αποτελεί ένα συνελικτικό νευρωνικό δίκτυο που αναλαμβάνει τον εντοπισμό και χαρακτηρισμό ενός αντικειμένου. Το νευρωνικό δίκτυο αυτό καταφέρνει να επεξεργαστεί την αρχική εικόνα σε χρόνους τάξης μεγέθους μικρότερους από την τεχνική της ολίσθησης. Ωστόσο, οδηγεί στην μείωση της ακρίβειας της κατηγοριοποίησης.
Τελικώς, αναπτύχθηκε μια λύση, η οποία συνδυάζει τις δυο αυτές τεχνικές, χρησιμοποιώντας το δίκτυο YOLO ως αλγόριθμο που παράγει περιοχές ενδιαφέροντος και το απλό συνελικτικό δίκτυο ως αλγόριθμο για την τελική κατηγοριοποίηση. Οπότε ως τελικό αποτέλεσμα έχουμε έναν αλγόριθμο ο οποίος έχει και μεγάλη ταχύτητα εκτέλεσης αλλά και μεγάλη ακρίβεια στις προβλέψεις του.
Κύρια θεματική κατηγορία:
Θετικές Επιστήμες
Λέξεις-κλειδιά:
Μηχανική Μάθηση, Βαθειά Μάθηση, Νευρωνικά Δίκτυα, Αναγνώριση Αντικειμένων, Συνελικτικά Νευρωνικά Δίκτυα, Αναγνώριση Εικόνας
Αρ. σελίδων ευρετηρίου:
2
Αρ. βιβλιογραφικών αναφορών:
15
