dc.contributor.advisor | Πικράκης, Άγγελος | |
dc.contributor.author | Καρανίκας, Στυλιανός | |
dc.date.accessioned | 2017-12-22T07:12:15Z | |
dc.date.available | 2017-12-22T07:12:15Z | |
dc.date.issued | 2017-10 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/10365 | |
dc.description.abstract | Στο πλαίσιο αυτής τη μεταπτυχιακής Διατριβής, ολοκληρώθηκε η ανάπτυξη μιας εφαρμογής αναγνώρισης και ταυτοποίησης προσώπων σε αρχεία βίντεο, με την χρήση Συνελικτικών Νευρωνικών Δικτύων μέσω της βιβλιοθήκης OpenFace. Σκοπός της Διατριβής είναι η παρουσίαση μιας υλοποίησης τεχνολογιών ανοιχτού κώδικα που συναγωνίζεται παρόμοιες εφαρμογές που χρησιμοποιούνται στην σημερινή βιομηχανία, ενώ παράλληλα θα μπορεί να χρησιμοποιηθεί από συσκευές με χαμηλές δυνατότητες επεξεργαστικής ισχύος. Η εφαρμογή παρέχει ένα ολοκληρωμένο framework για την εύρεση, προεπεξεργασία, εκπαίδευση και εκτέλεση ενός ταξινομητή προσώπων χωρίς την ανάγκη χρήσης εξωτερικών εργαλείων Για το τελικό στάδιο της αναγνώρισης προσώπων χρησιμοποιήθηκε ο αλγόριθμος «Γραμμικών Μηχανών Διανυσματικής Στήριξης» ο οποίος συγκριτικά με άλλους παρουσίασε τα πιο αξιόπιστα αποτελέσματα, διατηρώντας ταυτόχρονα σε χαμηλά επίπεδα τους χρόνους πρόβλεψης. | el |
dc.format.extent | 98 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.title | Ανάπτυξη συστήματος ταυτοποίησης προσώπων σε ροές βίντεο με χρήση Συνελικτικών Νευρωνικών Δικτύων | el |
dc.title.alternative | Development of a face identification system for video streams using Convolutional Neural Networks | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
dc.description.abstractEN | The subject of the present Master Thesis is the development of a Face Recognition application for video files, implementing Convolutional Neural Networks through the use of the OpenFace library. The goal of this Thesis is to present an implementation of open source technologies that could provide comparable results to other state-of-the-art private face recognition systems, while being well-suited for mobile scenarios. The application that is presented, provides the user with a fully realized framework for the search, preprocessing, training and subsequent classification of faces, without the need for external tools. For the training stage of the classifier the Linear SVM algorithm was chosen, because it provided the best results compared to other algorithms while providing low prediction times. | el |
dc.contributor.master | Πληροφορική | el |
dc.subject.keyword | Συνελικτικά νευρωνικά δίκτυα | el |
dc.subject.keyword | Face recognition | el |
dc.subject.keyword | Convolutional neural networks | el |
dc.subject.keyword | OpenFace | el |