| _version_ |
1828462652910731264
|
| author |
Κούρος, Κωνσταντίνος
|
| author2 |
Ξυδιάς, Ηλίας
|
| author_facet |
Ξυδιάς, Ηλίας
Κούρος, Κωνσταντίνος
|
| author_sort |
Κούρος, Κωνσταντίνος
|
| collection |
DSpace
|
| description |
Οι άνθρωποι μπορούν εύκολα να εντοπίσουν και να αναγνωρίσουν αντικείμενα που υπάρχουν σε μια εικόνα. Το ανθρώπινο οπτικό σύστημα είναι γρήγορο και ακριβές και μπορεί να εκτελέσει πολύπλοκες εργασίες, όπως ο εντοπισμός και η αναγνώριση πολλαπλών αντικειμένων με μικρή συνειδητή σκέψη.
Ο εντοπισμός και η αναγνώριση αντικειμένων ήταν μια προκλητική εργασία για δεκαετίες, δεδομένου ότι οι εικόνες των αντικειμένων στο πραγματικό περιβάλλον επηρεάζονται από πολλούς παράγοντες.
Η πρόοδος της μηχανικής μάθησης και της τεχνητής νοημοσύνης έφερε επαναστατικούς τρόπους στη μηχανική όραση (Computer Vision) και την ανάλυση κειμένου. Μία από τις νεότερες τάσεις είναι η βαθιά μάθηση (Deep Learning) που επιτρέπει στο μοντέλο μηχανικής εκμάθησης να μαθαίνει πιο πολύπλοκα χαρακτηριστικά σε δεδομένα που χρησιμοποιούν πολλαπλά επίπεδα. Ένας όρος που συχνά αναφέρεται σε αυτό το πλαίσιο είναι τα Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks - ANN) τα οποία μπορούν - μεταξύ άλλων - να χρησιμοποιηθούν για την ταξινόμηση της εικόνας, αλλά και τον εντοπισμό πολλαπλών αντικειμένων μέσα σε μια εικόνα. Οι πρόσφατες βελτιώσεις επιτρέπουν την εκτέλεση αλγορίθμων βαθιάς μάθησης σε κινητές συσκευές και την εκτέλεση εντοπισμού αντικειμένων σε πραγματικό χρόνο.
|
| id |
oai:hellanicus.lib.aegean.gr:11610-24052
|
| institution |
Hellanicus
|
| language |
el_GR
|
| publishDate |
2022
|
| record_format |
dspace
|
| spelling |
oai:hellanicus.lib.aegean.gr:11610-240522022-07-06T11:45:22Z Εντοπισμός και αναγνώριση αντικειμένων σε πραγματικό χρόνο με τη χρήση νευρωνικών δικτύων Object detection and recognition in real time using neural networks Κούρος, Κωνσταντίνος Ξυδιάς, Ηλίας τεχνητή νοημοσύνη μηχανική μάθηση νευρωνικά δίκτυα artificial intelligence machine learning neural networks Computer vision Image processing--Digital techniques Neural networks (Computer science) Artificial intelligence Machine learning Οι άνθρωποι μπορούν εύκολα να εντοπίσουν και να αναγνωρίσουν αντικείμενα που υπάρχουν σε μια εικόνα. Το ανθρώπινο οπτικό σύστημα είναι γρήγορο και ακριβές και μπορεί να εκτελέσει πολύπλοκες εργασίες, όπως ο εντοπισμός και η αναγνώριση πολλαπλών αντικειμένων με μικρή συνειδητή σκέψη. Ο εντοπισμός και η αναγνώριση αντικειμένων ήταν μια προκλητική εργασία για δεκαετίες, δεδομένου ότι οι εικόνες των αντικειμένων στο πραγματικό περιβάλλον επηρεάζονται από πολλούς παράγοντες. Η πρόοδος της μηχανικής μάθησης και της τεχνητής νοημοσύνης έφερε επαναστατικούς τρόπους στη μηχανική όραση (Computer Vision) και την ανάλυση κειμένου. Μία από τις νεότερες τάσεις είναι η βαθιά μάθηση (Deep Learning) που επιτρέπει στο μοντέλο μηχανικής εκμάθησης να μαθαίνει πιο πολύπλοκα χαρακτηριστικά σε δεδομένα που χρησιμοποιούν πολλαπλά επίπεδα. Ένας όρος που συχνά αναφέρεται σε αυτό το πλαίσιο είναι τα Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks - ANN) τα οποία μπορούν - μεταξύ άλλων - να χρησιμοποιηθούν για την ταξινόμηση της εικόνας, αλλά και τον εντοπισμό πολλαπλών αντικειμένων μέσα σε μια εικόνα. Οι πρόσφατες βελτιώσεις επιτρέπουν την εκτέλεση αλγορίθμων βαθιάς μάθησης σε κινητές συσκευές και την εκτέλεση εντοπισμού αντικειμένων σε πραγματικό χρόνο. The project is focused on detecting and recognizing objects in real time using neural networks. Due to its strong learning ability and its advantages, deep learning has been a field of research in recent years. This work provides a detailed overview of deep learning-based object recognition frameworks that handle different secondary problems. The purpose of this project is to analyze and understand how neural networks function through the technique of knowledge transfer to conventional neural networks to recognize real-time objects. Initially, the most common object recognition networks and their basic design principles are examined, followed by a review of knowledge transfer techniques and the selection of the YOLO algorithm. The methods presented for attribute extraction and recognition are common and can be applied to any object recognition related application. Finally, the basic training methodology as well as the hardware and software details of the implementation are presented. The analysis recorded all the factors of the object identification system that can be applied to the area of surveillance, face recognition, etc. The performance of the object recognition system depends on the capabilities used and the classification of recognition. Despite rapid development and promising breakthroughs in object recognition, there are still many open issues for future work, such as small object detection, manual release workload, the extension of standard 2-D object detection methods for customization of 3-D object detection and video object recognition, with the requirements of autonomous driving, intelligent transport and tracking. 2022-07-04T13:09:44Z 2022-07-04T13:09:44Z 2021-02-24 http://hdl.handle.net/11610/24052 el_GR Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές http://creativecommons.org/licenses/by-nc-nd/4.0/ 141 σ. application/pdf Σύρος
|
| spellingShingle |
τεχνητή νοημοσύνη
μηχανική μάθηση
νευρωνικά δίκτυα
artificial intelligence
machine learning
neural networks
Computer vision
Image processing--Digital techniques
Neural networks (Computer science)
Artificial intelligence
Machine learning
Κούρος, Κωνσταντίνος
Εντοπισμός και αναγνώριση αντικειμένων σε πραγματικό χρόνο με τη χρήση νευρωνικών δικτύων
|
| title |
Εντοπισμός και αναγνώριση αντικειμένων σε πραγματικό χρόνο με τη χρήση νευρωνικών δικτύων
|
| title_full |
Εντοπισμός και αναγνώριση αντικειμένων σε πραγματικό χρόνο με τη χρήση νευρωνικών δικτύων
|
| title_fullStr |
Εντοπισμός και αναγνώριση αντικειμένων σε πραγματικό χρόνο με τη χρήση νευρωνικών δικτύων
|
| title_full_unstemmed |
Εντοπισμός και αναγνώριση αντικειμένων σε πραγματικό χρόνο με τη χρήση νευρωνικών δικτύων
|
| title_short |
Εντοπισμός και αναγνώριση αντικειμένων σε πραγματικό χρόνο με τη χρήση νευρωνικών δικτύων
|
| title_sort |
εντοπισμός και αναγνώριση αντικειμένων σε πραγματικό χρόνο με τη χρήση νευρωνικών δικτύων
|
| topic |
τεχνητή νοημοσύνη
μηχανική μάθηση
νευρωνικά δίκτυα
artificial intelligence
machine learning
neural networks
Computer vision
Image processing--Digital techniques
Neural networks (Computer science)
Artificial intelligence
Machine learning
|
| url |
http://hdl.handle.net/11610/24052
|
| work_keys_str_mv |
AT kouroskōnstantinos entopismoskaianagnōrisēantikeimenōnsepragmatikochronometēchrēsēneurōnikōndiktyōn
AT kouroskōnstantinos objectdetectionandrecognitioninrealtimeusingneuralnetworks
|