Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Συνεργατικές δομές νευρωνικών δικτύων για την ταξινόμηση ανακυκλώσιμων υλικών

Vogiatzis Antonios

Πλήρης Εγγραφή

---

Περίληψη

Η ταξινόμηση των ανακυκλώσιμων υλικών, ιδιαίτερα η ανάκτηση του πλαστικού, είναι πολύ σημαντική όχι μόνο για την οικονομική βιωσιμότητα, αλλά και την οικολογική βιωσιμότητα. Η βαθιά μάθηση αποτελεί μια κατηγορία αλγορίθμων μηχανικής μάθησης που χρησιμοποιούν τεχνητά νευρωνικά δίκτυα με πολλαπλά επίπεδα για τη σταδιακή εξαγωγή χαρακτηριστικών υψηλότερου επιπέδου από την ακατέργαστη είσοδο. Πρόκειται για μια προσέγγιση που τα τελευταία χρόνια έχει χρησιμοποιηθεί με εξαιρετική επιτυχία σε μια μεγάλη ποικιλία εφαρμογών, συμπεριλαμβανομένης της ταξινόμησης υλικών. Η παρούσα μεταπτυχιακή διατριβή εισάγει δύο καινοτόμες μεθόδους ταξινόμησης εικόνων βασισμένες σε συνεργατικές δομές νευρωνικών δικτύων τις οποίες προτείνουμε. Οι μέθοδοι μας βασίζονται στην έννοια της λεγόμενης “διαμοιραζόμενης σοφίας από δεδομένα”, ώστε να ταξινομούν αποτελεσματικά τα ανακυκλώσιμα υλικά. Συγκεκριμένα, στο πρώτο μέρος της παρούσας μεταπτυχιακής εργασίας παρουσιάζουμε το αποκαλούμενο « Dual-branch Multi-output CNN» βασιζόμενοι σε σύγχρονες έρευνες στη βαθιά μάθηση και στην ταξινόμηση αποβλήτων. Αυτό είναι ένα προσαρμοσμένο συνελικτικό νευρωνικό δίκτυο που αποτελείται από δύο κλάδους και αποσκοπεί i) στο να ταξινομήσει τα ανακυκλώσιμα υλικά και ii) στο να διακρίνει τον τύπο του πλαστικού. Η προτεινόμενη αρχιτεκτονική αποτελείται από δύο ταξινομητές που έχουν εκπαιδευτεί σε δύο ξεχωριστά σύνολα δεδομένων, προκειμένου να αξιοποιήσουν παραπλήσια χαρακτηριστικά από τα ανακυκλώσιμα υλικά. Η προσέγγισή μας επιτρέπει την εκμάθηση διαφορετικών συνδυασμών χαρακτηριστικών με ταυτόχρονη αξιοποίηση των διαφορετικών συνόλων δεδομένων, χωρίς να απαιτεί την ανάμειξή τους. Στο δεύτερο μέρος της εργασίας μας, προτείνουμε μια γενική αρχιτεκτονική ταξινόμησης βασισμένη σε ανεξάρτητα παράλληλα συνελικτικά νευρωνικά δίκτυα (CNNs), η οποία αξιοποιεί την ιδιότητα της «αμοιβαίας αποκλειστικότητας» ή αλλιώς των «αμοιβαία υποστηριζόμενων αποφάσεων ταξινομητών» που χαρακτηρίζει πολλά σύνολα δεδομένων από τομείς ενδιαφέροντος: εν συντομία, συχνά μια εικόνα που περιλαμβάνεται σε ένα σύνολο δεδομένων ανήκει, κατά κοινή παραδοχή των ταξινομητών, σχεδόν αποκλειστικά σε μία μόνο κλάση. Παρέχουμε με άλλα λόγια ένα πλαίσιο λήψης αποφάσεων ταξινόμησης, το οποίο ενσωματώνει διάφορους προτεινόμενους κανόνες απόφασης, που ενεργοποιούνται όταν η ιδιότητα αμοιβαίας αποκλειστικότητας ικανοποιείται ή όχι. Ταυτόχρονα, χρησιμοποιεί «βάρη» που αντικατοπτρίζουν διαισθητικά το ποσοστό εμπιστοσύνης του κάθε CNN όσον αφορά την ταξινόμηση ενός υλικού στην κλάση στην οποία το δίκτυο είναι εξειδικευμένο. Έτσι, η προσέγγιση μας μπορεί (α) να εκμεταλλευτεί τα σαφώς καθορισμένα όρια κλάσεων, όταν τέτοια υπάρχουν, και (β) να αναθέτει στοιχεία επιτυχώς σε κλάσεις, ακόμα κι όταν δεν υπάρχουν σαφώς καθορισμένα όρια κλάσεων. Τα πειράματά μας με δύο γνωστά σύνολα δεδομένων εικόνων από τον συγκεκριμένο τομέα ενδιαφέροντος, επιβεβαιώνουν την αποτελεσματικότητα των προτεινόμενων μεθόδων και αρχιτεκτονικών συνεργατικών δομών νευρωνικών δικτύων στην ταξινόμηση των ανακυκλώσιμων υλικών.

Διαθέσιμα αρχεία

Υπηρεσίες