Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI: | http://purl.tuc.gr/dl/dias/4D2C3DF5-631A-4924-B68C-8D0DC46CB483 | ||
| Έτος | 2021 | ||
| Τύπος | Διπλωματική Εργασία | ||
| Άδεια Χρήσης |
|
||
| Βιβλιογραφική Αναφορά | Ηλίας Τσίχλης, "Τεχνικές βαθείας μάθησης για πολυφασματική ανάλυση δορυφορικών εικόνων", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2021 https://doi.org/10.26233/heallink.tuc.88855 | ||
| Εμφανίζεται στις Συλλογές |
Στον τομέα της Μηχανικής Μάθησης, η ανάγκη κατανόησης της λειτουργίας των βαθιών νευρωνικών δικτύων γίνεται όλο και πιο σημαντική. Είναι γεγονός ότι η προσοχή των ερευνητών επικεντρώνεται κυρίως στο σύνολο δεδομένων που χρησιμοποιείται κατά τη διάρκεια της εκπαίδευσης νευρωνικών δικτύων, καθώς και στην ποιότητα της εξόδου που παράγουν. Ωστόσο, αυτή η εστίαση δεν έχει χρησιμοποιηθεί ειδικά για την καλύτερη κατανόηση της εσωτερικής λειτουργίας τους. Η έρευνα στην παρούσα διπλωματική εργασία αποσκοπεί στον προσδιορισμό του τρόπου με τον οποίο αυτή η εστίαση μπορεί να βελτιώσειτη γνώση του τρόπου λειτουργίας των βαθιών νευρωνικών δικτύων. Συγκεκριμένα, δίνεται έμφαση στις αρχιτεκτονικές δύο γνωστών και ευρέως χρησιμοποιούμενων νευρωνικών δικτύων, VGG16 και ResNet50. Σε αυτό το πλαίσιο, για να εξετασθεί η υπόθεση ότι τα νευρωνικά δίκτυα μπορούν να γίνουν κατανοητά μακροσκοπικά, η παρούσα εργασία εξετάζει τη δημιουργία ενός κατάλληλου, δυναμικού συνόλου δεδομένων για την εκπαίδευση των δύο δικτύων, αλλά και τον προσδιορισμό των βασικών συσχετισμών που καθορίζουν την απόφαση ταξινόμησης. Συγκεκριμένα, έχει αναπτυχθεί ένα εργαλείο προγραμματισμού που έχει τη δυνατότητα να εξάγει δυναμικά δορυφορικές εικόνες από τη βάση δεδομένων OpenStreetMap για να σχηματίσει σύνολα εκπαίδευσης για το πρόβλημα της σωστής ταξινόμησηςεικόνων που περιέχουν στοιχεία ανανεώσιμων πηγών ενέργειας (φωτοβολταϊκά, ανεμογεννήτριες, φράγματα). Επιπλέον, χρησιμοποιήθηκαν θερμικοί χάρτες για να εξηγήσουν τη λειτουργία των νευρωνικών δικτύων που εκπαιδεύτηκαν με αυτά τα σύνολα δεδομένων σε συνδυασμό με μια νέα μετρική απόδοσης, η οποία φαίνεται να είναι κατάλληλη για το σκοπό της βαθύτερης διερεύνησης των ταξινομήσεων νευρωνικών δικτύων. ́Ενα βασικό εύρημα από αυτήν την εργασία είναι ότι, κατά τη διάρκεια της εκπαίδευσης και της ταξινόμησης, αναπτύσσονται ορισμένοι δόκιμοι ή αδόκιμοι συσχετισμοί μεταξύ των χαρακτηριστικών εισόδου και στόχου. Δίνουμε έμφαση στο κατά πόσον αυτές οι πληροφορίες μπορούν να φανούν χρήσιμες, κατά την επιλογή ενός κατάλληλου ταξινομητή για την επίλυση συγκεκριμένωνπροβλημάτων. Τα αποτελέσματα αυτής της εργασίας δείχνουν ότι η έρευνα, η εξέλιξη και η επιλογή μιας βαθιάς αρχιτεκτονικής νευρωνικών δικτύων για την επίλυση σύγχρονων προβλημάτων ταξινόμησης είναι επιλογές που μπορούν να καθοδηγηθούν αξιοποιώντας πληροφορίες που εξάγονται σύμφωνα με το προαναφερόμενο βασικό εύρημα.
Copyright © DIAS 2013
