Deep learning methodologies in assessing logo complexity

Abstract

Σε 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.