Image recognition with neural networks
| Autor: | Tasioulis, Georgios |
|---|---|
| Přispěvatelé: | Sotiropoulos, Dionisios, Σωτηρόπουλος, Διονύσιος, Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής, Πληροφορική |
| Jazyk: | Greek, Modern (1453-)<br />Greek |
| Rok vydání: | 2022 |
| Předmět: |
Επικλινής κάθοδος
Ρυθμός εκπαίδευσης Τεχνητά νευρωνικά δίκτυα Recurrent neural network Single layer perceptron Normalisation Convolutional neural network Activation function Data science Machine learning Generative adversarial neural network Επιστήμη δεδομένων Learning rate Gradient descent Artificial neural networks Επαναλαμβανόμενο τεχνητό νευρωνικό δίκτυο Multi-layer perceptron Image recognition Συνάρτηση ενεργοποίησης Μηχανική μάθηση Loss function Αναγνώριση εικόνας Συνάρτηση απώλειας Κανονικοποίηση Παραγωγικό ανταγωνιστικό τεχνητό νευρωνικό δίκτυο Τεχνητό νευρωνικό δίκτυο αισθητήρα |
| Popis: | Η παρούσα μεταπτυχιακή διατριβή πραγματεύεται το ζήτημα της αναγνώρισης εικόνων με τη χρήση τεχνητών νευρωνικών δικτύων. Αρχικά γίνεται αναφορά στον τομέα της μηχανικής μάθησης και εξετάζεται ο αλγόριθμος της επικλινούς καθόδου που είναι βασικό συστατικό πολλών τεχνητών νευρωνικών δικτύων. Εν συνεχεία παρουσιάζεται η γενική δομή και λειτουργία των τεχνητών νευρωνικών δικτύων από τη στιγμή που τροφοδοτούνται με τα πρώτα δεδομένα έως το τελικό αποτέλεσμα που παράγουν. Ειδική αναφορά γίνεται στα τεχνητά νευρωνικά δίκτυα αισθητήρα, συνελικτικά, επαναλαμβανόμενα και παραγωγικά ανταγωνιστικά τεχνητά νευρωνικά δίκτυα. Τέλος γίνεται κατασκευή τεχνητού νευρωνικού δικτύου για κάθε μία από τις προαναφερθείσες κατηγορίες ώστε να εκπαιδευτεί, να δοκιμαστεί και να αξιολογηθεί σε πραγματικά δεδομένα εικόνων. The present thesis describes the issue of image recognition with the use of artificial neural networks. It starts with an introduction to machine learning and the algorithm of gradient descent which is a key element to many artificial neural networks. Afterwards, the general structure and function of artificial neural networks is presented from the moment of the first input data till the production of the outcome. Emphasis is shown on single and multi-layer perceptrons, convolutional and recurrent neural networks and generative adversarial neural networks. Finally, a network of each of the aforementioned categories is constructed, trained, tested and evaluated on real image data. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|