| Περίληψη |
Οι αρχιτεκτονικές βαθιάς μάθησης έχουν επιφέρει θεμελιώδεις αλλαγές στην έρευνα πολυάριθμων επιστημονικών πεδίων και έχουν πυροδοτήσει τη μεταστροφή από τις πατροπαράδοτες μεθοδολογίες μηχανικής μάθησης και την κατασκευή γνωρισμάτων, στη σχεδίαση αρχιτεκτονικών και στην επονομαζόμενη εκπαίδευση "από άκρη σε άκρη". Ενώ η αποτελεσματικότητα των δικτύων βαθιάς μάθησης μπορεί να αποδοθεί στη σθεναρή ικανότητά τους να εξάγουν συναθροισμένη γνώση, καθώς το πλήθος των διαθέσιμων δεδομένων αυξάνεται, συγχρόνως αποδίδουν απογοητευτικά, όταν εκπαιδεύονται με τη χρήση περιορισμένων σε πλήθος σημειωμένων δεδομένων. Η βασική επιδίωξη αυτής της εργασίας είναι η εξερεύνηση του αντίκτυπου σύγχρονων μεθοδολογιών βαθιάς μάθησης, σε περιπτώσεις έλλειψης ή αφθονίας δεδομένων, σε δύο σημαντικά ερευνητικά θέματα που άπτονται των πεδίων της κοσμολογίας και της τηλεπισκόπησης. Στην πρώτη περιπτωσιολογική μελέτη θέτουμε επί τάπητος το πρόβλημα εκτίμησης της φασματοσκοπικής ερυθρής μετατόπισης στην αστρονομία. Εξαιτίας της διαστολής του Σύμπαντος και της στατιστικής του ομοιογένειας και ισοτροπίας, οι γαλαξίες απομακρύνονται, κατά μέσο όρο, μεταξύ τους. Αυτή η κίνηση αναγκάζει τα εκπεμπόμενα ηλεκτρομαγνητικά κύματα να μετατοπιστούν από το μπλε τμήμα του φάσματος στο κόκκινο, σύμφωνα με το φαινόμενο Doppler. Η ερυθρή μετατόπιση είναι από τα πιο σημαντικά φαινόμενα στην αστρονομία και την κοσμολογία, καθιστώντας δυνατή τη μέτρηση των αποστάσεων των γαλαξιών. Αρκετές πηγές θορύβου, είτε αστροφυσικής προέλευσης είτε από τα όργανα μετρήσεων, καθιστούν τη διαδικασία εκτίμησης μη-τετριμμένη, ειδικά σε περιπτώσεις αστροφυσικών παρατηρήσεων υψηλού θορύβου. Τα τελευταία χρόνια, έχουν αναζητηθεί νέες προσεγγίσεις για την αξιόπιστη και αυτοματοποιημένη εκτίμηση της ερυθρής μετατόπισης, με σκοπό να ελαχιστοποιηθεί η εξάρτησή μας από τις υπάρχουσες δημοφιλείς τεχνικές που βασίζονται ισχυρά στην ανθρώπινη παρέμβαση. Η εκπλήρωση αυτής της αναζήτησης αποτελεί σοβαρή αναγκαιότητα, σε συνδυασμό με την ακόρεστη παραγωγή απέραντων, σε πλήθος, αστρονομικών δεδομένων που υπάγονται στην κατηγορία των Μεγάλων Δεδομένων. Προτείνουμε μία εναλλακτική προσέγγιση, που μετασχηματίζει το ζητούμενο πρόβλημα από ένα ζήτημα παλινδρόμησης σε ένα πρόβλημα ταξινόμησης πολλαπλών κλάσεων. Έτσι, ανοίγει ο δρόμος για την αξιοποίηση ενός υπερισχύοντος ταξινομητή βαθιάς μάθησης, κοινώς γνωστός ως Βαθιά Νευρωνικά Δίκτυα Συνέλιξης. Αποτιμούμε εκτενώς την προσέγγιση αυτή, με τη χρήση φασματοσκοπικών δεδομένων που αποτελούνται από γαλαξιακές κατανομές φασματικής ενέργειας, μοντελοποιημένα σύμφωνα με την επερχόμενη επισκόπηση του δορυφόρου Ευκλείδη. Η πειραματική ανάλυση σε ιδεαλιστικές και ρεαλιστικές παρατηρήσεις επιδεικνύει τις ισχυρές δυνατότητες του προτεινόμενου σχεδίου.
Στη δεύτερη μελέτη περίπτωσης εξετάζουμε ένα ακμάζον ερευνητικό θέμα στο πεδίο της τηλεπισκόπησης, και συγκεκριμένα την ταξινόμηση κάλυψης γης. Οι συμβατικές μεθοδολογίες που έχουν χρησιμοποιηθεί στο παρελθόν εστιάζουν είτε στην απλοποιημένη περίπτωση του προβλήματος μοναδικών ετικετών, είτε σε προσεγγίσεις βασισμένες σε εικονοστοιχεία, οι οποίες δεν μπορούν να διαχειριστούν αποδοτικά εικόνες υψηλής ανάλυσης. Αντίθετα, το πρόβλημα της ταξινόμησης κάλυψης γης με τη χρήση πολλαπλών ετικετών, παραμένει μέχρι και σήμερα σχετικά ανεξερεύνητο. Παρά του ότι οι μέθοδοι βαθιάς μάθησης και τα Νευρωνικά Δίκτυα Συνέλιξης έχουν επιδείξει μία εκπληκτική ικανότητα στην αντιμετώπιση απαιτητικών προβλημάτων ταξινόμησης εικόνων, όμως δεν καταφέρνουν να ανταποκριθούν στις προσδοκίες σε περιπτώσεις που η εκπαίδευσή τους πραγματοποιείται με τη χρήση περιορισμένων, στο πλήθος, δεδομένων. Για να υπερνικήσουμε το συγκεκριμένο ζήτημα, προτείνουμε μία δυναμική τεχνική επέκτασης των δεδομένων που είναι ικανή να αυξήσει το μέγεθος μικρών συνόλων δεδομένων σε άφθονες ποσότητες. Τα πειράματά μας σε μία παραλλαγή των δεδομένων UC Merced Land Use, με πολλαπλές ετικέτες, επιδεικνύουν τις δυνατότητες του προτεινόμενου πλαισίου, που ξεπερνάει την προϋπάρχουσα αποτελεσματικότερη μέθοδο, κατά ένα ποσοστό της τάξης του 6% στη μετρική του F-score.
|
Deep learning techniques in signal processing
