Deep learning methodologies in assessing logo complexity
| dc.contributor.advisor | Τσιχριντζής, Γεώργιος | |
| dc.contributor.author | Κουβαράκης, Γεώργιος | |
| dc.date.accessioned | 2018-11-20T11:57:53Z | |
| dc.date.available | 2018-11-20T11:57:53Z | |
| dc.date.issued | 2018 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/11590 | |
| dc.description.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. | el |
| dc.format.extent | 43 | el |
| dc.language.iso | en | 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 | Deep learning methodologies in assessing logo complexity | el |
| dc.title.alternative | Μεθοδολογίες βαθείας μαθησης για την αξιολόγηση της πολυπλοκότητας λογότυπων | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | In 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.master | Πληροφορική | el |
| dc.subject.keyword | Deep learning | el |
| dc.subject.keyword | Βαθιά μάθηση | el |
| dc.date.defense | 2018-10-30 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές