Ερμηνεύσιμα μοντέλα βαθιάς μάθησης για την ανάλυση οπτικών δεδομένων

Περίληψη

Στο πλαίσιο της διατριβής μελετήθηκαν διάφορες εφαρμογές της Βαθιάς Μηχανικής Μάθησης για την αναγνώριση οπτικών δεδομένων. Αρχικά μελετήθηκαν, σχεδιάστηκαν και υλοποιήθηκαν διάφορες μεθοδολογίες σε τομείς όπως η ανάλυση συναισθήματος και η ανάλυση εικόνας. Ιδιαίτερη έμφαση δόθηκε στον τομέα της ιατρικής εικόνας με εφαρμογές σε νευροεκφυλιστικές νόσους, όπου κατασκευάσθηκε ένα σύνολο δεδομένων σχετικών με τη Νόσο του Parkinson. Έπειτα, σχεδιάσθηκαν και υλοποιήθηκαν διάφορες αρχιτεκτονικές για την ανάλυση των εικόνων αυτών, ώστε να εκπαιδευθεί ένα σύστημα ικανό να παράγει διαγνώσεις. Η απόδοση του τελευταίου όμως δεν αρκεί από μόνη της ώστε να εξασφαλιστεί η χρησιμότητά του, καθόσον το σύστημα να πρέπει να παρέχει μια μορφή ερμηνευσιμότητας. Κατά συνέπεια, το σύστημα επεκτάθηκε ώστε να του δοθεί η απαραίτητη διαφάνεια για το σκοπό αυτό. Στη συνέχεια, μελετήθηκε εκτενέστερα το θέμα της Ερμηνευσιμότητας των Βαθιών Νευρωνικών Δικτύων. Πιο συγκεκριμένα, ορίστηκαν διάφορες μετρικές μέσω των ...
περισσότερα

Περίληψη σε άλλη γλώσσα

The first part of this dissertation focuses on developing Deep Neural Networks for applications in several domains, such as Facial Expression Recognition, Medical Image Analysis and Autonomous Driving. One of the domains where we focused on was that of Computer-Aided Diagnosis. We tried to build Neural Networks with both Convolutional an Recurrent components to properly capture the relationships in the volumetric input data. As an extension to the previous model, we modified its training procedure so that it can adapt to new data, without forgetting its previous training. The technique involves clustering the highest-level features extracted from the CNN. Each cluster is associated to a class; a sample is then classified depending on what cluster is closest to that sample's features. Finally, by giving an expert interpretation to each cluster, the model's predictions can be somewhat explained, giving the model a level of Interpretability. Through the various applications we examined, w ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/47671
ND
47671
Εναλλακτικός τίτλος
Interpretable deep learning models for optical data analysis
Συγγραφέας
Τάγαρης, Αθανάσιος του Γεώργιος
Ημερομηνία
2020
Ίδρυμα
Εθνικό Μετσόβιο Πολυτεχνείο (ΕΜΠ). Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Ευφυών Συστημάτων
Εξεταστική επιτροπή
Σταφυλοπάτης Ανδρέας - Γεώργιος
Κόλλιας Στέφανος
Στάμου Γεώργιος
Ματσόπουλος Γεώργιος
Νικήτα Κωνσταντίνα
Τσανάκας Παναγιώτης
Τσουκαλάς Δημήτρης
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ
Λέξεις-κλειδιά
Βαθιά μάθηση; Νευρωνικά δίκτυα; Ερμηνευσιμότητα; Όραση υπολογιστών; Ιατρική εικόνα
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
Άλλα στοιχεία
4, xxii, 161 σ., εικ., πιν., σχημ., γραφ.
Ειδικοί όροι χρήσης/διάθεσης
Το έργο παρέχεται υπό τους όρους της δημόσιας άδειας του νομικού προσώπου Creative Commons Corporation:
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)