Συγκριτική μελέτη γρήγορων και μεγάλης ακρίβειας αλγορίθμων πολυεπίπεδων συνελικτικών νευρωνικών δικτύων
Διπλωματική Εργασία


Επιβλέπων Γιώργος Στάμου
Συσχετιζόμενο μάθημα Νευρωνικά Δίκτυα και Βαθιά Μάθηση

Περιγραφή

Η αυτόματη ανίχνευσης αντικειμένων σε εικόνες και video είναι σημαντική τόσο σε συστήματα αυτόνομης οδήγησης χωρίς εξειδικευμένους αισθητήρες, όσο και σε συστήματα βοηθητικών συσκευών που μεταδίδουν σε χρήστες πληροφορίες σκηνής σε πραγματικό χρόνο. Σε αυτό το πλαίσιο εντατικοποιείται το ερευνητικό ενδιαφέρον για τη δημιουργία γρήγορων και μεγάλης ακρίβειας αλγορίθμων με χρήση πολυεπίπεδων συνελικτικών νευρωνικών δικτύων. Στην παρούσα διπλωματική εργασία θα μελετηθούν σύγχρονες μέθοδοι ανίχνευσης αντικειμένων με χρήση συνελικτικών δικτύων (όπως YOLO και R-CNN) και θα συγκριθούν ως προς την ταχύτητά και την ακρίβειά τους σε προσημειωμένα (MS COCO, Visual Genome) καθώς και σε μη προσημειωμένα σύνολα δεδομένων (από ανοικτά σύνολα δεδομένων). Επιπλέον, θα διερευνηθούν πιθανές βελτιώσεις αυτών των μεθόδων ανίχνευσης.

Απαιτούμενες/επιθυμητές γνώσεις: Python, βιβλιοθήκες μηχανικής μάθησης, οικειότητα με τεχνολογίες εκμάθησης νευρωνικών δικτύων.

Για περισσότερες πληροφορίες επικοινωνήστε με τον Γ. Στάμου (τηλ. 7723040, e-mail: gstam at cs.ntua.gr) και την Παρασκευή Τζούβελη (τηλ. 7723037, e-mail: tpar at image.ntua.gr)