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

Αρχική Συλλογές Τύπος Εργασίας Μεταπτυχιακές εργασίες ειδίκευσης

Μεταπτυχιακές εργασίες ειδίκευσης

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

Τρέχουσα Εγγραφή: 16 από 6511

[Προσθήκη στο καλάθι]

Κωδικός Πόρου

000462979

Τίτλος

A commonsense knowledge-driven framework for part-of relation discovery in images

Άλλος τίτλος

Μεθοδολογία για τον εντοπισμό σχέσεων μέρους-όλου σε εικόνες αξιοποιώντας γνώση κοινής λογικής

Συγγραφέας

Κουμούρου, Σωτήρης Θ.

Σύμβουλος διατριβής

Πλεξουσάκης, Δημήτριος

Μέλος κριτικής επιτροπής

Πάτκος, Θοδωρής
Ευθυμίου, Βασίλης

Περίληψη

Ο συνδυασμός των τεχνικών βασισμένων στα δεδομένα με μεθόδους βασισμένες στη γνώση, έχει οδηγήσει σε σημαντικά επιτεύγματα τα τελευταία χρόνια. Ενώ οι τεχνικές μηχανικής μάθησης έχουν αποδείξει τη δυναμική τους σε διάφορους τομείς, συχνά εμφανίζουν αδυναμίες που μπορούν να αντιμετωπιστούν με τις συμβολικές μεθόδους. Η παρουσιαζόμενη εργασία επικεντρώνεται στην ανάπτυξη μιας μεθοδολογίας, η οποία είναι προσαρμοσμένη για τον εντοπισμό σχέσεων μέρους-όλου σε εικόνες μέσω της ένταξης γνώσης κοινής λογικής. Ο κύριος στόχος αυτής της μεθοδολογίας είναι η βελτίωση ακρίβειας στον εντοπισμό σχέσεων με την ενσωμάτωση εξωτερικής πληροφορίας που προέρχεται από γράφους γνώσης που είναι ανεξάρτητοι από το πρόβλημα. Η προτεινόμενη μεθοδολογία, με την ονομασία PReDeCK, βασίζεται σε ανοικτούς γράφους δεδομένων για την αποτύπωση της γνώσης κοινής λογικής, και συγκεκριμένα από τον ανοικτό γράφο ConceptNet. Μέσω συμβολικών μεθόδων συμβολιστικής που αξιοποιούν την εκφραστικότητα της Answer Set Programming (ASP), το PReDeCK χρησιμοποιεί αυτή τη πληροφορία για να εξαλείψει αντίθετα συμπεράσματα και να βελτιώσει την ακρίβεια σχέσεων που εντοπίζει. Επιπλέον, η παρούσα εργασία αντιμετωπίζει την πρόκληση του εντοπισμού σφαλμάτων στα αποτελέσματα που παράγονται από μοντέλα ανίχνευσης αντικειμένων. Επεκτείνουμε το PReDeCK για τον εντοπισμό πιθανών σφαλμάτων διασταυρώνοντας τα αποτελέσματα του μοντέλου με εδραιωμένες γνώσεις του πραγματικού κόσμου. Επιπλέον, παρουσιάζονται τεχνικές για την αντιμετώπιση των εντοπισμένων σφαλμάτων. Πραγματοποιούμε πειραματικές διαδικασίες για την αξιολόγηση της απόδοσης της μεθοδολογίας μας, χρησιμοποιώντας ένα ευρέως γνωστό σύνολο εικόνων, το Semantic Pascal-Part , το οποίο περιλαμβάνει μια ποικιλία καθημερινών αντικειμένων και τα αντίστοιχα μέρη τους. Κατά τη διάρκεια της πειραματικής φάσης, αναλύουμε διάφορες παραλλαγές της μεθοδολογίας, για να υπογραμμίσουμε τον κρίσιμο ρόλο ενός ορθού και ακριβούς αποθετηρίου γνώσης, καθώς και τον αντίκτυπο των ατελών ή εσφαλμένων δεδομένων στα αποτελέσματα. Τα αποτελέσματα αυτών των πειραμάτων επιβεβαιώνουν ότι ο συνδυασμός οπτικών δεδομένων και γνώσης κοινής λογικής, οδηγεί σε σημαντική βελτίωση στην ακρίβεια της ανίχνευσης των σχέσεων. Επιπλέον, τα αποτελέσματα σχετικά με την ανίχνευση πιθανών σφαλμάτων είναι αρκετά ικανοποιητικά, παρέχοντας ένα αρχικό βήμα στην διασφάλιση της ποιότητας για τα μοντέλα ανίχνευσης αντικειμένων. Συνολικά, η εργασία παρουσιάζει πώς υλοποιείται μια μεθοδολογία που αξιοποιεί γνώση κοινης λογικής από ανοιχτούς γράφους δεδομένων, για να ανιχνεύσει σχέσεις μέρους-όλου μεταξύ αντικειμένων που ανιχνεύονται στις εικόνες, και για να εντοπίσει πιθανά σφάλματα στα αποτελέσματα που παράγονται από ένα μοντέλο ανίχνευσης αντικειμένων, μέσω της χρήσης του συμβολικού συλλογισμού.

Φυσική περιγραφή

x, 84 σ. : σχεδ., πιν., εικ. (μερ. εγχρ.) ; 30 εκ.

Γλώσσα

Αγγλικά

Θέμα

Commonsense knowledge

Computer vision

Neural networks

Neurosymbolic AI

Reasoning

Γνώση κοινής λογικής

Νευρωνικά δίκτυα