E-Locus - Ιδρυματικό Καταθετήριο Πανεπιστημίου Κρήτης - Μεταπτυχιακές εργασίες ειδίκευσης

Αρχική Συλλογές Σχολή/Τμήμα Σχολή Θετικών και Τεχνολογικών Επιστημών Τμήμα Επιστήμης Υπολογιστών Μεταπτυχιακές εργασίες ειδίκευσης

Μεταπτυχιακές εργασίες ειδίκευσης

Εντολή Αναζήτησης : Συγγραφέας="Στεφανίδης" Και Συγγραφέας="Κωνσταντίνος"

Τρέχουσα Εγγραφή: 32 από 824

[Προσθήκη στο καλάθι]

Κωδικός Πόρου

000456482

Τίτλος

Few-shot deep learning algorithms for image classification

Άλλος τίτλος

Αλγόριθμοι βαθιάς μάθησης για την κατηγοριοποίηση εικόνων με λίγα παραδείγματα

Συγγραφέας

Τζεβελεκάκης, Κωνσταντίνος Ε.

Σύμβουλος διατριβής

Κομοντάκης, Νίκος

Μέλος κριτικής επιτροπής

Στυλιανού, Γιάννης
Πανταζής, Ιωάννης

Περίληψη

Η Βαθιά Μάθηση, ένα επιτυχημένο παρακλάδι της Μηχανικής Μάθησης, στο οποίο έχει συντελεστεί μια άνευ προηγουμένου επανάσταση την τελευταία δεκαετία. Η ισχυρή ιδέα της μάθησης ιεραρχικών αναπαραστάσεων σε συνδυασμό με την πληθώρα δεδομένων, που η ψηφιακή εποχή παρέχει με ευκολία, έχει οδηγήσει σε συναρπαστικά επιτεύγματα σε πολλούς επιστημονικούς τομείς. Ωστόσο, υπάρχουν εφαρμογές όπου δεν είναι διαθέσιμα επαρκή επισημειωμένα δεδομένα εκπαίδευσης, λόγω των περιορισμών της προστασίας της ιδιωτικότητας, των δυσκολιών επισημείωσης ή και του απαγορευτικού κόστους δημιουργίας ή χρήσης τους. Η ανάπτυξη αποτελεσματικών προσεγγίσεων βαθιάς μάθησης, για τέτοια σενάρια μη επαρκών δεδομένων, παραμένει ένα ανοιχτό πρόβλημα. Στην εργασία αυτή εξετάζουμε ένα τέτοιο σενάριο μη επαρκών δεδομένων, για το πρόβλημα της ταξινόμησης εικόνων, πρόβλημα θεμελιώδες για την Υπολογιστική Όραση. Στην βιβλιογραφία αυτό το πρόβλημα αναφέρεται και ως οπτική μάθηση με λίγα παραδείγματα. Συγκεκριμένα, απαιτείται η σωστή ταξινόμηση μη επισημασμένων εικόνων, παρέχοντας ελάχιστες (ακόμα και μόνο μία) αντιπροσωπευτικές εικόνες για κάθε κατηγορία. Μια συνήθης προσέγγιση, που φέρει την ονομασία μετρική μάθηση, είναι η προβολή των εικόνων σε έναν χώρο στον οποίο οι εικόνες διαμερίζονται ανάλογα με την κατηγορία στην οποία ανήκουν με την χρήση κάποιας μετρικής ομοιότητας. Υιοθετώντας αυτή την προσέγγιση, προτείνουμε μία μεθοδολογία κατά την οποία η προβολή των εικόνων στον χώρο αναπαραστάσεων γίνεται με τη χρήση συναρτήσεων βαθιάς μάθησης. Συγκεκριμένα, χρησιμοποιούμε την υπερσύγχρονη αρχιτεκτονική βαθιάς μάθησης των μετασχηματιστών όρασης, σε συνδυασμό με την χρήση προ-εκπαιδευμένων μοντέλων με αυτοεπίβλεψη. Καθώς οι αλγόριθμοι διαθέτουν ελάχιστο αριθμό παραδειγμάτων και προκειμένου να είναι αποτελεσματικοί, θα πρέπει να αξιοποιούν κάθε διαθέσιμη πληροφορία από τα επισημειωμένα δεδομένα. Έτσι, εκτός από την χρήση της πληροφορίας που βρίσκεται αποθηκευμένη στις παραμέτρους των συναρτήσεων βαθιάς μάθησης, η ανταλλαγή της πληροφορίας μεταξύ των ίδιων των συναρτήσεων θα μπορούσε επίσης να αξιοποιηθεί. Με αυτό το σκεπτικό προχωρήσαμε στην διερεύνηση δύο κεντρικών ερωτημάτων: (α) Μπορεί στο συγκεκριμένο πρόβλημα, η ανταλλαγή της πληροφορίας μεταξύ των συναρτήσεων προβολής να συμβάλει θετικά (β) Με ποιο τρόπο μπορεί να επιτευχθεί αυτή η ανταλλαγή της πληροφορίας. Σε μια προσπάθεια να απαντήσουμε τα ερωτήματα αυτά, προτείνουμε τρεις μεθόδους. Λυτές είναι οι ParallelVits η ParallelVits+Encoder και η BlendedVits. Η ParallelVits δεν επιτρέπει την ανταλλαγή της πληροφορίας μεταξύ των συναρτήσεων προβολής αποτελώντας την βάση αναφοράς. Αντιθέτως, οι υπόλοιπες μέθοδοι την επιτρέπουν με διαφορετική προσέγγιση η κάθε μια, εκμεταλλευόμενες την ευελιξία της υιοθετούμενης αρχιτεκτονικής. Επιπλέον, για τις προτεινόμενες μεθόδους, αλλά και για τις συναρτήσεις βαθιάς μάθησης, έχει διεξαχθεί εκτεταμένη αναζήτηση στο πεδίο τιμών διαφόρων υπέρ-παραμέτρων. Η αξιολόγηση των προτεινόμενων μεθόδων οδήγησε τόσο στην ανακάλυψη σημαντικών ευρημάτων, όσο και σε πολλά υποσχόμενα πειραματικά αποτελέσματα, συγκρίσιμα με αυτά των πρωτοπόρων μεθόδων, στο σύνολο εικόνων του miniImageNet.

Φυσική περιγραφή

x, 71 σ. : σχεδ., πιν., εικ. (μερ. εγχρ.) ; 30 εκ.

Γλώσσα

Αγγλικά

Θέμα

Artificial intelligence

Neural networks

Transformers

Μετασχηματιστές

Νευρωνικά δίκτυα

Τεχνητή νοημοσύνη

Ημερομηνία έκδοσης