Μέθοδοι μηχανικής μάθησης για σημασιολογική ανάλυση βίντεο
Περίληψη
Σε αυτή την διατριβή μελετήθηκαν μέθοδοι μηχανικής μάθησης και τεχνητής όρασης για σημασιολογική ανάλυση δεδομένων εικόνας και βίντεο. Πιο συγκεκριμένα, μελετήθηκαν τα προβλήματα αναγνώρισης προσώπου, ανθρώπινης κίνησης, αντικειμένων και περίληψης βίντεο, ως προβλήματα ταξινόμησης, καθώς και τα προβλήματα προστασίας ιδιωτικότητας και ευρωστίας απέναντι σε αντιπαραθετικές επιθέσεις. Αλγόριθμοι επιβλεπόμενης, ημι-επιβλεπόμενης και βαθιάς μάθησης, προτάθηκαν στα πλαίσια της ταξινόμησης μίας κλάσης, της ταξινόμησης πολλών κλάσεων, των αντιπαραθετικών επιθέσεων και αμυνών. Αναπτύχθηκαν καινοτόμες μεθοδολογίες που προσδίδουν αυξημένες επιδόσεις ταξινόμησης, οι οποίες οφείλονται στην εισαγωγή επιπλέον όρων κανονικοποίησης στα προβλήματα βελτιστοποίησης γνωστών αλγορίθμων, με σκοπό την αξιοποίηση γεωμετρικών σχέσεων μεταξύ των δεδομένων εκπαίδευσης. Τέλος, αναπτύχθηκε καινοτόμος μεθοδολογία για την παραγωγή αντιπαραθετικών επιθέσεων που εισάγει κριτήρια προστασίας ιδιωτικότητας, καθώς και ένας ...
περισσότερα
Περίληψη σε άλλη γλώσσα
This dissertation studied machine learning and computer vision methods for semantic image and video analysis. More specifically, the problems of face recognition, human action recognition, object recognition and video summarization were studied as classification problems, along with the problems of privacy protection and robustness to adversarial attacks. Supervised, semi-supervised and deep learning algorithms were proposed, in the context of one-class classification, multiclass classification, adversarial attacks and defenses. Novel methodologies that provide increased classification performance were developed, attributed to the introduction of additional regularization terms to the optimization problems of well-known learning algorithms, in order to exploit geometric training data relationships. Finally, a novel adversarial attack methodology that introduces privacy protection criteria was developed, along with a mechanism that increases the classification model robustness against a ...
περισσότερα
Κατεβάστε τη διατριβή σε μορφή PDF (9.54 MB)
(Η υπηρεσία είναι διαθέσιμη μετά από δωρεάν εγγραφή)
|
Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.
|
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.