Brain tumor detection using Faster R-CNN detector
Σε αυτή την εργασία θα ασχοληθούμε με τις λειτουργίες ενός συστήματος Υπολογιστικής όρασης και πιο συγκεκριμένα, ενός αυτοματοποιημένου συστήματος που έχει ως σκοπό το object recognition, και detection, και στο δεύτερο μέρος της εργασίας γίνεται υλοποίηση μίας προσέγγισης συνελικτικών νευρωνικών δικ...
Αποθηκεύτηκε σε:
| Κύριοι συγγραφείς: | , |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | el_GR |
| Δημοσίευση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/11610/23578 |
| Ετικέτες: |
Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
|
| Περίληψη: | Σε αυτή την εργασία θα ασχοληθούμε με τις λειτουργίες ενός συστήματος Υπολογιστικής όρασης και πιο συγκεκριμένα, ενός αυτοματοποιημένου συστήματος που έχει ως σκοπό το object recognition, και detection, και στο δεύτερο μέρος της εργασίας γίνεται υλοποίηση μίας προσέγγισης συνελικτικών νευρωνικών δικτύων για την ανίχνευση όγκου στον εγκέφαλο.
Αρχικά θα αποσαφηνιστούν κάποιες βασικές αρχές, οι οποίες σχετίζονται με τις παραπάνω λειτουργίες. Αυτές οι αρχές αφορούν την ταξινόμηση, τον ταξινομητή αντικειμένου, την ανίχνευση αντικειμένου, την επεξεργασία των εικόνων, τη συλλογή δεδομένων και τη δημιουργία ενός μοντέλου το οποίο συνδυάζει τα χρήσιμα χαρακτηριστικά που εξάγονται με κάποιους αλγορίθμους από κάποιο dataset. Στόχος είναι η χρήση των παραπάνω στην εξαγωγή αποφάσεων, αναγνώρισης αντικειμένων.
Στη συνέχεια θα αναφερθούμε στους παράγοντες που δυσκολεύουν την αναγνώριση αντικειμένου αλλά και στις προσεγγίσεις αναγνώρισης του αντικειμένου. Κατόπιν γίνεται αναφορά στους ανιχνευτές υψηλής τεχνολογίας CNN (Faster R-CNN, YOLO, SSD) και ειδικότερα στο μοντέλο Faster R-CNN. Τέλος γίνεται αναφορά στα εργαλεία που χρησιμοποιήθηκαν (python, OpenCV, το Tensorflow, το CUDA και την βιβλιοθήκη Nvidia Cudnn).
Για την υλοποίηση του δεύτερου μέρους θα εκπαιδευτεί ένας ταξινομητής ανίχνευσης αντικειμένων σε συνελικτίκο νευρωνικό δίκτυο, με σκοπό την αναγνώριση όγκου στον εγκέφαλο. |
|---|