ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ: ΤΑΞΙΝΟΜΗΣΗ ΨΗΦΙΑΚΩΝ ΕΙΚΟΝΩΝ ΜΕ ΧΩΡΙΚΗ-ΣΗΜΑΣΙΟΛΟΓΙΚΗ ΑΝΤΙΣΤΟΙΧΗΣΗ ΣΠΟΥΔΑΣΤΗΣ : ΦΩΤΙΑΔΗΣ ΚΥΡΙΑΚΟΣ Α.Μ. 1151 ΕΠΙΒΛΕΠΩΝ : Δρ. ΝΙΚΟΛΑΙΔΗΣ.

Slides:



Advertisements
Παρόμοιες παρουσιάσεις
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ “Σύνθεση πληροφοριών αισθητήρων για την ασφαλή πλοήγηση έντροχου ρομποτικού οχήματος” Αθανάσιος.
Advertisements

ΕΞΟΡΥΞΗ ΓΝΩΣΗΣ ΑΠΟ ΕΙΚΟΝΕΣ
Πέτσας Δημήτριος Παρουσίαση στο μάθημα: Ψηφιακές Βιβλιοθήκες
Εργαστήριο Προγραμματισμού και τεχνολογίας Ευφυών συστημάτων (intelligence) Τμήμα Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών.
ΠΤΥΧΙΑΚΕΣ ΕΡΓΑΣΙΕΣ Μέγεθος: δεν θα πρέπει να υπερβαίνει τις λέξεις περίπου 40 σελίδες. Παράδοση: το αργότερο πριν την εξεταστική περίοδο του δευτέρου.
ΤΜΗΥΠ / ΕΕΣΤ1 Μάθημα 9 ο Κατάτμηση Εικόνας. ΤΜΗΥΠ / ΕΕΣΤ2 Εισαγωγή (1)  Η κατάτμηση έχει ως στόχο να υποδιαιρέσει την εικόνα σε συνιστώσες περιοχές και.
Εκμάθηση ταξινομητών κειμένου για το χαρακτηρισμό άποψης Ειρήνη Καλδέλη Διπλωματική Εργασία.
Υπολογιστική Όραση ΤΜΗΥΠ ΕΡΓΑΣΤΗΡΙΟ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ
Ανακτηση Πληροφοριασ σε νεφη Υπολογιστων
Εφαρμογές της Θεωρίας της Πληροφορίας σε διαδικασίες ανάκτησης εικόνας Μακεδόνας Ανδρέας Μεταδιδακτορικός Ερευνητής Τμ. Φυσικής, Εργαστήριο Ηλεκτρονικής.
ΓΡΗΓΟΡΟΣ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ FOURIER
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΣΕΡΡΩΝ
Εισαγωγικές Έννοιες Διδάσκοντες: Σ. Ζάχος, Δ. Φωτάκης Επιμέλεια διαφανειών: Δ. Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο.
Αναγνώριση Προτύπων.
Εργασία Η υλοποίηση του αλγορίθμου συγχώνευσης θα πρέπει να χρησιμοποιεί την ιδέα των ροών (streams). Θα πρέπει να υπάρχουν δύο διαφορετικά είδη.
Αναγνώριση Προτύπων.
Διαίρει-και-Βασίλευε
Κ. Μόδη: Γεωστατιστική και Εφαρμογές της (Κεφάλαιο 3) 1 Από κοινού κατανομή δύο ΤΜ Στην περίπτωση που υπάρχουν δύο ΤΜ ενδιαφέροντος, η συνάρτηση κατανομής.
ΕΥΡΕΣΗ ΚΑΤΗΓΟΡΙΚΩΝ ΕΚΤΟΠΩΝ ΣΕ ΒΙΒΛΙΟΓΡΑΦΙΚΗ ΒΑΣΗ ΔΕΔΟΜΕΝΩΝ
Παρουσίαση Νο. 11 Ανάλυση Εικόνας Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας.
ΕΙΣΑΓΩΓΗ ΣΤΑ ΓΕΩΓΡΑΦΙΚΑ ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΩΝ
ΙΟΝΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΤΜΗΜΑ ΑΡΧΕΙΟΝΟΜΙΑΣ –ΒΙΒΛΙΟΘΗΚΟΝΟΜΙΑΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ : ΥΠΗΡΕΣΙΕΣ ΠΛΗΡΟΦΟΡΗΣΗΣ ΣΕ ΨΗΦΙΑΚΟ ΠΕΡΙΒΑΛΛΟΝ ΣΗΜΑΣΙΟΛΟΓΙΚΟΣ ΙΣΤΟΣ.
Ενεργή επιλογή αλγορίθμου, Active Algorithm Selection, Feilong Chen and Rong Jin Εύα Σιταρίδη.
ΙΟΝΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΗΣΗΣ Διοίκηση και Οργάνωση Βιβλιοθηκών με έμφαση στις Νέες Τεχνολογίες της.
ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών Τμήμα Πληροφορικής και Τηλεπικοινωνιών Learning to Learn: Algorithmic Inspirations from Human Problem Solving.
ΣΥΣΤΗΜΑΤΑ ΠΟΛΥΜΕΣΩΝ Εισηγητής: Δρ. Αθανάσιος Νικολαΐδης.
Κ. Μόδη: Γεωστατιστική και Εφαρμογές της (Κεφάλαιο 4) 1 Από κοινού κατανομή πολλών ΤΜ Ορίζεται ως από κοινού συνάρτηση κατανομής F(x 1, …, x n ) n τυχαίων.
ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΥΛΟΠΟΙΗΣΗ ΚΑΙ ΣΥΓΚΡΙΤΙΚΗ ΜΕΛΕΤΗ
Λεξικό, Union – Find Διδάσκοντες: Σ. Ζάχος, Δ. Φωτάκης Επιμέλεια διαφανειών: Δ. Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο.
Προηγμένη Τεχνητή Νοημοσύνη
Computational Imaging Laboratory ΤΜΗΥΠ ΕΡΓΑΣΤΗΡΙΟ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ & ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ Υπολογιστική Όραση.
1 Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής Πανεπιστήμιο Πατρών ΟΝΤΟΚΕΝΤΡΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΙΙ (C++) Πίνακες.
ΑΝΑΠΤΥΞΗ ΛΟΓΙΣΜΙΚΟΥ ΓΙΑ ΤΗΝ ΑΝΑΓΝΩΡΙΣΗ ΟΠΤΙΚΩΝ ΣΗΜΑΤΩΝ
ΧΑΡΑΛΑΜΠΙΔΗΣ ΧΑΡΑΛΑΜΠΟΣ ΜΑΘΗΜΑΤΙΚΟΣ
Τμήμα Μηχανικών Πληροφορικής
Παρεμβολή συνάρτησης μιας μεταβλητής με την βοήθεια νευρωνικών δικτύων
Εύρεση Ακμών σε Ψηφιακές Εικόνες αποχρώσεων του γκρι
Advanced Data Indexing (Προηγμένη ευρετηρίαση δεδομένων) Ροές Δεδομένων (3 ο Μέρος)
- Bonus: Μέχρι 5 (δυνατότητα επέκτασης σε απαλλακτική) - Software: - Όλα τα ενδιάμεσα στάδια των αλγορίθμων θα πρέπει να μπορούν να εμφανίζονται αν το.
Δρ. Αλέξανδρος Βακαλούδης.  Εξόρυξη δεδομένων (Data Mining)  Association Rules  Clustering  Classification  Στάδια για εξόρυξη δεδομένων  Επανάληψη.
Φοιτήτρια Φιλίππου Μαρία ΑΜ 2087 Επιβλέπων Δρ Τσίτσος Στυλιανός Αναπληρωτής Καθηγητής.
Παρουσίαση πτυχιακής εργασίας Σαλιάρη Αικατερίνη Επιβλέπων καθηγητής: Αθανάσιος Νικολαΐδης.
ΗΛΕΚΤΡΙΚΕΣ ΜΕΤΡΗΣΕΙΣ ΣΦΑΛΜΑΤΑ ΜΕΤΡΗΣΗΣ.
Παρουσίαση Πτυχιακής Εργασίας Τεχνολογία powerline homeplug για τη δημιουργία του «έξυπνου» σπιτιού και εφαρμογή της στην κατασκευή αλληλεπιδραστικής διεπαφής.
ΥΝ Ι: ΑΝΑΠΑΡΑΣΤΑΣΗ ΓΝΩΣΗΣ 1 ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ (Τεχνητά Νευρωνικά Δίκτυα και Γενετικοί Αλγόριθμοι) ΣΠΥΡΟΣ ΛΥΚΟΘΑΝΑΣΗΣ, ΚΑΘΗΓΗΤΗΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ.
Τ.Ε.Ι. Κεντρικής Μακεδονίας ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ Τ.Ε Τίτλος Πτυχιακής Εργασίας: Κατασκευή διδακτικού πακέτου προσομοίωσης των μηχανικών ταλαντώσεων.
Πτυχιακή εργασία : Σχεδίαση γραμμικών στοιχειοκεραιών με τη χρήση εξελικτικών αλγορίθμων Της σπουδάστριας : Χοροζάνη Αναστασίας Επιβλέπων Καθηγητής : Δρ.
ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΠΙΝΑΚΕΣ ΚΑΙ ΔΙΑΓΡΑΜΜΑΤΑ Πηγή: Βιοστατιστική [Σταυρινός / Παναγιωτάκος] Βιοστατιστική [Τριχόπουλος / Τζώνου / Κατσουγιάννη]
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΣΕΡΡΩΝ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕ Κατασκευή πακέτου προσομοίωσης σε Matlab της κυκλικής.
Αναπαράσταση προτύπων με συλλογή δεδομένων.
Ψηφιακή Επεξεργασία Εικόνας
Έβδομο μάθημα Ψηφιακά Ηλεκτρονικά.
Ασκήσεις WEKA Νευρωνικά δίκτυα.
Παπαγεωργίου Ελένη ΑΕΜ : 2272
ΤΑΞΙΝΟΜΗΣΗ ΠΡΟΤΥΠΩΝ ΜΕ ΣΥΝΑΡΤΗΣΕΙΣ ΑΠΟΦΑΣΗΣ Απλές Γραμμικές Συναρτήσεις Απόφασης Κύρια λειτουργία ενός συστήματος αναγνώρισης προτύπων είναι η ταξινόμηση.
Βελτιστοποίηση εικόνας
Διδάσκων: Δρ. Τσίντζα Παναγιώτα
ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ “Ανάπτυξη προγράμματος προσομοίωσης συγκρούσεων σε
TMHMA MHΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ Τ.Ε ΤΕΙ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ
Βασικές Μέθοδοι Μηχανικής Μάθησης και Εξόρυξης Δεδομένων
Ξέρουμε από τα προηγούμενα:
ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ Τ.Ε.
ΤΕΙ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Τμήμα Μηχανικών Πληροφορικής ΤΕ
ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ
Φοιτητής: Τσακίρης Αλέξανδρος Επιβλέπων: Ευάγγελος Ούτσιος
Αναπαράσταση προτύπων με συλλογή δεδομένων.
ΔΙΠΛΩΜΑΤΙΚΗ ΜΕΤΑΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Γεώργιος Τζούμας (ΑΕΜ:45)  
ΤΑΞΙΝΟΜΗΣΗ ΠΡΟΤΥΠΩΝ ΜΕ ΣΥΝΑΡΤΗΣΕΙΣ ΑΠΟΣΤΑΣΗΣ Απλοί Ταξινομητές
Εισαγωγή στα Προσαρμοστικά Συστήματα
Μεταγράφημα παρουσίασης:

ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ: ΤΑΞΙΝΟΜΗΣΗ ΨΗΦΙΑΚΩΝ ΕΙΚΟΝΩΝ ΜΕ ΧΩΡΙΚΗ-ΣΗΜΑΣΙΟΛΟΓΙΚΗ ΑΝΤΙΣΤΟΙΧΗΣΗ ΣΠΟΥΔΑΣΤΗΣ : ΦΩΤΙΑΔΗΣ ΚΥΡΙΑΚΟΣ Α.Μ ΕΠΙΒΛΕΠΩΝ : Δρ. ΝΙΚΟΛΑΙΔΗΣ ΑΘΑΝΑΣΙΟΣ ΕΠΙΚΟΥΡΟΣ ΚΑΘΗΓΗΤΗΣ ΣΕΡΡΕΣ, ΦΕΒΡΟΥΑΡΙΟΣ 2015

Τεχνητή όραση  Συστήματα ασφαλείας  Συστήματα ρομποτικής όρασης  Μηχανές αναζήτησης που αναγνωρίζουν αντικείμενα από φωτογραφίες  Αναγνώριση οδικών σημάτων

SSM (semantic-spatial matching) Ταξινόμηση ψηφιακών εικόνων με χωρική-σημασιολογική αντιστοίχιση

Προγενέστεροι μέθοδοι  BoVW (bags of visual words - σάκος οπτικών λέξεων)  SPM (spatial pyramid matching – χωρική ταξινόμηση πυραμίδας)

BoVW  Εξάγονται τοπικά χαρακτηριστικά από ένα σετ εικόνων  Κατηγοριοποιούνται με k-Means(codebook)  Εξάγονται τοπικά χαρακτηριστικά για κάθε εικόνα  Εντοπίζεται σε ποια κλάση(k) βρίσκεται πιο κοντά κάθε χαρακτηριστικό(Ευκλείδεια Απόσταση)  Δημιουργείται ιστόγραμμα χαρακτηριστικών

SPM  Διαίρεση της εικόνας σε υπό-περιοχές  Κατασκευή ιστογραμμάτων χαρακτηριστικών για κάθε υπό-περιοχή  Ευθυγράμμιση όλων των ιστογραμμάτων για το τελικό διάνυσμα  Αριθμός περιοχών: 4 L

ΘΕΩΡΗΤΙΚΟ ΥΠΟΒΘΡΟ  k-Means  Αλγόριθμος SIFT  SVM(support vector machines)

Αλγόριθμος κατηγοριοποίησης k-Means  Είσοδοι: Δεδομένα, αριθμός κλάσεων k  Έξοδοι: Δεδομένα κατηγοριοποιημένα, κέντρα κάθε κλάσης

Αλγόριθμος εξαγωγής χαρακτηριστικών Αλγόριθμος SIFT(scale-invariant feature transform)  Ανίχνευση ακρότατων στο χώρο και στη κλίμακα  Εντοπισμός σημείων κλειδιών  Ανάθεση προσανατολισμού  Περιγραφείς των σημείων κλειδιών  Ένας περιγραφέας προσδιορίζεται από τη τοποθεσία, τη κλίμακα και το προσανατολισμό και περιγράφεται από ένα διάνυσμα μήκους 128

Μηχανισμοί διανυσμάτων υποστήριξης SVM(support vector machines)  Δυαδικός Ταξινομητής  Χωρίζει τα δεδομένα γραμμικά

Μηχανισμοί διανυσμάτων υποστήριξης SVM(support vector machines)  Αν δεν είναι γραμμικά διαχωριζόμενα μεταφέρονται σε υψηλότερο επίπεδο με συναρτήσεις kernel  Με Μ ταξινομητές svm πετυχαίνουμε ταξινόμηση Μ κλάσεων 1. One versus all  M svms 2. One versus one  M(M-1)/2 svms

SM(semantic matching)  Διαίρεση εικόνας όπως στην SPM  Κατασκευή ιστογραμμάτων  Κατασκευή σημασιολογικού χώρου(κατηγοριοποίηση ιστογραμμάτων ολόκληρου του σετ με k-Means), κάθε εγγραφή του σημασιολογικού χώρου είναι μια σημασιολογική ετικέτα

SM(semantic matching)  Απόδοση μιας ετικέτας σε κάθε ιστόγραμμα  Πρόσθεση ιστογραμμάτων με ίδια ετικέτα  Ευθυγράμμιση των ιστογραμμάτων σύμφωνα με την ετικέτα τους (s1 → s2 →, ・ ・ ・,→ sK)  Ετικέτες που δεν ανατέθηκαν σε κανένα ιστόγραμμα προστίθενται ως μηδενικά  Μέγεθος τελικού διανύσματος: μέγεθος ιστογράμματος* αριθμός ετικετών

SSM(semantic-spatial matching)  Η SSM είναι ο γραμμικός συνδυασμός της SPM και της SM με ένα συντελεστή επιρροής κάθε μεθόδου SSM=a*SPM+(1-a)*SM

SVMs multi classification  Περίπλοκη διαδικασία  Κλιμακωτά δεδομένα  Κατάλληλοι παράμετροι  Αριθμός κλάσεων

Πειράματα  Codebook=400  Σημασιολογικές ετικέτες= 300  Συντελεστής επιρροής=0.5  Διαίρεση εικόνας = επίπεδο 3(level 2)  200 εικόνες ανά κατηγορία(100 προς εκπαίδευση, 100 προς ταξινόμηση)

Αποτελέσματα %85%87%85%83% 40088%89%95%85%84%

Αποτελέσματα Αριθμός κλάσεωνΠοσοστό επιτυχίας %

Αποτελέσματα ανά κατηγορία