Ειδικά Θέματα Επεξεργασίας και Ανάλυσης Σημάτων και Εικόνων

Εισαγωγή. Προηγμένες μέθοδοι εξαγωγής χαρακτηριστικών και τμηματοποίησης σημάτων και εικόνων. Μέθοδοι βελτιστοποίησης και εφαρμογές στην επεξεργασία και ανάλυση σημάτων. Συνελικτικά νευρωνικά δίκτυα (CNNs). Παραγωγικά ανταγωνιστικά δίκτυα (GANs). Αναδρομικά νευρωνικά δίκτυα (RNNs). Σχεδιασμός και παραμετροποίηση αρχιτεκτονικών νευρωνικών δικτύων. Προγραμματισμός σε Python. Εργαλεία μηχανικής μάθησης (Tensorflow, Keras, Pytorch). Εφαρμογές των ΤΝΔ (αναγνώριση αντικειμένων, τμηματοποίηση εικόνων, ταξινόμηση εικόνων, σύνθεση εικόνων, επεξεργασία και ανάλυση ηχητικών σημάτων και άλλων χρονοσειρών δεδομένων, βιοϊατρικές εφαρμογές).

Στόχος του μαθήματος είναι η εξοικείωση των φοιτητών με τεχνολογίες μηχανικής μάθησης που βρίσκουν εφαρμογή στην ανάλυση και επεξεργασία σημάτων και εικόνων. Οι φοιτητές έχουν την ευκαιρία να εντρυφήσουν στο θεωρητικό κομμάτι των μεθόδων μηχανικής μάθησης αλλά και στον σχεδιασμό, παραμετροποίηση και υλοποίηση αλγορίθμων που εφαρμόζονται σε πραγματικά προβλήματα της επεξεργασίας σήματος/εικόνας. Ιδιαίτερη έμφαση δίνεται στην εξοικείωση με αρχιτεκτονικές βαθιάς μάθησης.

Με την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές θα πρέπει να είναι σε θέση να:

• • Γνωρίζουν κλασσικές προσεγγίσεις μηχανικής μάθησης (ομαδοποίηση, ταξινόμηση) και τρόπους εφαρμογής τους στην επεξεργασία και ανάλυση σημάτων και εικόνων.
• • Κατανοούν τη δομή και τη λειτουργία αρχιτεκτονικών βαθιάς μάθησης (CNN, GAN, RNN) με έμφαση σε εφαρμογές τους για επεξεργασία και ανάλυση σημάτων και εικόνων.
• • Υλοποιούν αλγορίθμους με χρήση γλώσσας Python και σχετικών εργαλείων (Keras, Pytorch, colab, Tensorflow).
• • Γνωρίζουν και να έχουν κριτική άποψη αναφορικά με τις σύγχρονες εξελίξεις στη διασταύρωση του πεδίου της μηχανικής μάθησης με τα πεδία της επεξεργασίας σήματος και εικόνας.

Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας, Παπαμάρκος Ν., Εκδόσεις Ν. Παπαμάρκου, 3η/2013, Αθήνα.

Ψηφιακή Επεξεργασία Σήματος, Hayes Monson H., Εκδόσεις Α. Τζιόλα & Υιοι, 1η έκδ./2000, Θες/νίκη.

Αναγνώριση Προτύπων, Θεοδωρίδης Σ., Κουτρουμπάς Κ., Εκδόσεις: Πασχαλίδης, 2011, Αθήνα.

Deep Learning, Goodfellow I., Bengio Y., Courville A., MIT Press (free online), 2016.

Γραπτή Εξέταση 100%