Σκελετός "deep learning", για εφαρμογές αναγνώρισης εικόνων.

Abstract

Σε αυτή την Διπλωματική Εργασία, σχεδιάζουμε και κατασκευάζουμε ένα σκελετό "Deep Learning", ο οποίος είναι ένα πρότυπο για να κατασκευαστούν εφαρμογές αναγνώρισης εικόνων. Παρουσιάζουμε το "CNNs Tester" και μια δομή για εφαρμογές διαδικτύου. Το "CNNs Tester" χρησιμοποιεί εικόνες για να εκπαιδεύουμε μοντέλα, και στη συνέχεια χρησιμοποιούμε τα μοντέλα αυτά, σε διαδικτυακές εφαρμογές αναγνώρισης εικόνων. Η ιδέα για αυτή την εργασία ξεκίνησε από την ανάγκη για τη μετάβαση από την καθαρά πειρατική εργασία σε κάτι πιο πρακτικό. Ως αποτέλεσμα είχαμε δύο εφαρμογές α) CNNs Tester β) PaternF. Αυτές οι δύο εφαρμογές μπορούν να θεωρηθούν επίσης και σαν σκελετός για άλλες, λόγω του ευέλικτου σχεδιασμού τους.

In this master thesis, we design and construct a Deep-Learning Framework, which is a model for building image classification applications. We demonstrate the “CNNs Tester” and a web-application structure. “CNNs Tester” uses images to create a trained model, after that the model can be used in the web-application’s classification procedure. This Thesis started as a need for a transition, from purely experimental work to something more practical. The results are two applications a) CNNs Tester, b) PatternF. These two applications can be also considered as generic framework.