Show simple item record

Deep learning methodologies in assessing logo complexity

dc.contributor.advisorΤσιχριντζής, Γεώργιος
dc.contributor.authorΚουβαράκης, Γεώργιος
dc.date.accessioned2018-11-20T11:57:53Z
dc.date.available2018-11-20T11:57:53Z
dc.date.issued2018
dc.identifier.urihttp://dione.lib.unipi.gr/xmlui/handle/unipi/11590
dc.description.abstractΣε αυτό το έγγραφο θα μελετήσουμε τον όρο πολυπλοκότητα πάνω στις αισθητικές μετρήσεις κάποιο λογότυπων εταιριών, όπου έχουν βαθμονομηθεί από ειδικούς. Στο συγκεκριμένο πείραμα θα χρησιμοποιήσουμε <<Βαθειά μάθηση>> γραμμένη σε γλώσσα Python. Τα δεδομένα μας είναι 208 λογότυπα, όπου από αυτά θα «φτιάξουμε» καινούργια λογότυπα, όπου θα μπουν και αυτά στα υπάρχουν και θα μεγαλώσουν τα δεδομένα μας αλλά δεν θα χαλάσουν την αυθεντικότητα των δεδομένων. Το πείραμα θα έχει 4 στάδια, όπου στο κάθε ένα θα δούμε πως συμπεριφέρονται ανάλογα άμα χρησιμοποιήσουμε τα αυθεντικά δεδομένα και αν χρησιμοποιήσουμε τα «φτιαχτά». Θα χρησιμοποιήσουμε «ρηχά δίκτυα», δίκτυα 10 επιπέδων, δίκτυα 10 επιπέδων με batch normalization λειτουργιά ανάμεσα από το κάθε επίπεδο και τέλος θα χρησιμοποιήσω ένα προ εκπαιδευμένο δίκτυο με δικό μου ομαδοποιητή στο τέλος. Επιπλέον θα ήθελα να προσθέσω ότι αναφέρεται στην εργασία η θεωρία πίσω από τα αισθητικά μέτρα.el
dc.format.extent43el
dc.language.isoenel
dc.publisherΠανεπιστήμιο Πειραιώςel
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.titleDeep learning methodologies in assessing logo complexityel
dc.title.alternativeΜεθοδολογίες βαθείας μαθησης για την αξιολόγηση της πολυπλοκότητας λογότυπωνel
dc.typeMaster Thesisel
dc.contributor.departmentΣχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικήςel
dc.description.abstractENIn this document, we are going to write about Complexity measure an aesthetic measure and if we can extract features from companies logos that has been rated from some experts. The experiment will use deep Convolutional Networks written in python programming language. The dataset will be 208 images of company logos and we are going to use the original dataset and later we are going to create an augmented dataset from the original images. There are going to be 4 evaluation stage with these 2 datasets in order to conclude about the experiment. In the first stage we are going to use a swallow net with Convolutional Layer, in the second we are going to use a 10 layers Convolutional network, in the third method we are going to use 10 layers but this time batch normalization between the layers. Finally, we are going to use a pre-trained deep network from imagenet and see if it made an improvement in relation to the previous techniques. Furthermore, i am writing about the theory behind the aesthetic measures and the importance in information visualization.el
dc.contributor.masterΠληροφορικήel
dc.subject.keywordDeep learningel
dc.subject.keywordΒαθιά μάθησηel
dc.date.defense2018-10-30


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές

Βιβλιοθήκη Πανεπιστημίου Πειραιώς
Contact Us
Send Feedback
Created by ELiDOC
Η δημιουργία κι ο εμπλουτισμός του Ιδρυματικού Αποθετηρίου "Διώνη", έγιναν στο πλαίσιο του Έργου «Υπηρεσία Ιδρυματικού Αποθετηρίου και Ψηφιακής Βιβλιοθήκης» της πράξης «Ψηφιακές υπηρεσίες ανοιχτής πρόσβασης της βιβλιοθήκης του Πανεπιστημίου Πειραιώς»