BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20240722T122940Z
LAST-MODIFIED:20240722T122940Z
DTSTAMP:20261015T224544Z
UID:1792093544@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Κωνσταντίνου Ζαφειράκη - Σχολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.tuc.gr/el/to-polytechnei
 o/ilektronikes-ypiresies/imerologio/
 imerologio-ekdiloseon-1?tx_tucevents
 2_tuceventsdisplay%5Baction%5D=show&
 tx_tucevents2_tuceventsdisplay%5Bcon
 troller%5D=Event&tx_tucevents2_tucev
 entsdisplay%5Bevent%5D=7147&cHash=70
 7b64e5e69caa31c1dbc0136e949185\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Προπτυχιακών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Κω
 νσταντίνου Ζαφειράκη\n με θέμα\n Ανί
 χνευση Ψευδαισθήσεων σε Ανακατασκευή
  Εικόνας\n Hallucination Detection i
 n Image Inpainting\n Εξεταστική Επιτ
 ροπή\n Καθηγητής Μιχαήλ Ζερβάκης (επ
 ιβλέπων)\n Καθηγητής Θρασύβουλος Σπυ
 ρόπουλος\n Επίκουρος Καθηγητής Γρηγό
 ριος Τσαγκατάκης (Πανεπιστήμιο Κρήτη
 ς, Τμήμα Επιστήμης Υπολογιστών)\n Πε
 ρίληψη\n Αυτό το άρθρο αντιμετωπίζει
  το κρίσιμο ζήτημα των παραισθήσεων 
 στην αναπλήρωση εικόνων βασισμένη στ
 η βαθιά μάθηση εντός εφαρμογών τηλεπ
 ισκόπησης. Οι εικόνες τηλεπισκόπησης
 , οι οποίες συχνά υποβαθμίζονται λόγ
 ω δυσλειτουργιών των αισθητήρων ή δυ
 σμενών ατμοσφαιρικών συνθηκών, απαιτ
 ούν αναπλήρωση για να αποκατασταθεί 
 με ακρίβεια η χαμένη πληροφορία. Αυτ
 ή η αποκατάσταση είναι ζωτικής σημασ
 ίας για την ενίσχυση επακόλουθων εργ
 ασιών όπως η ταξινόμηση, η ανίχνευση
  και η τμηματοποίηση. Παρά τις προόδ
 ους, τα μοντέλα βαθιάς μάθησης για τ
 ην αναπλήρωση αντιμετωπίζουν προκλήσ
 εις, ιδιαίτερα τις παραισθήσεις, όπο
 υ το μοντέλο ταξινομεί εσφαλμένα αντ
 ικείμενα μέσα στην εικόνα. Αυτή η με
 λέτη εισάγει ένα νέο πλαίσιο για την
  ανίχνευση παραισθήσεων χρησιμοποιών
 τας μια γεννήτρια αναπλήρωσης εικόνα
 ς σε συνδυασμό με ένα ταξινομητή δύο
  κλάσεων και ένα μοντέλο Grad-CAM. Τ
 ο πειραματικό σύστημα περιλαμβάνει δ
 ιάφορες τεχνικές εφαρμογής μασκών κα
 ι γίνεται αναλύση για τα αποτελέσματ
 α αναπλήρωσης σε διαφορετικές κατηγο
 ρίες εικόνων. Τα ευρήματά μας αποκαλ
 ύπτουν σημαντικές επιπτώσεις του τύπ
 ου και του μεγέθους της μάσκας στις 
 μετρήσεις παραισθήσεων, με τις ορθογ
 ώνιες μάσκες να αποδίδουν γενικά καλ
 ύτερα αποτελέσματα από τις ακανόνιστ
 ες και τυχαίες μάσκες. Επιπλέον, κάθ
 ε γεννήτρια ειδική ως προς μια κατηγ
 ορία επέδειξε μοναδικές συμπεριφορές
  αναπλήρωσης, επηρεασμένες από το μέ
 γεθος της μάσκας. Η μελέτη εντοπίζει
  τη μετρική Dice εντός κατανομής και
  την τιμή πρόβλεψης εκτός κατανομής 
 ως αποτελεσματικά μέτρα για την ανίχ
 νευση παραισθήσεων, με τη μετρική FI
 D να αποδεικνύεται βέλτιστη για την 
 ποιότητα ανακατασκευής.\n Abstract \
 n This thesis addresses the critical
  issue of hallucinations in deep lea
 rning-based image inpainting within 
 remote sensing applications. Remote 
 sensing images are often degraded du
 e to sensor malfunctions or adverse 
 atmospheric conditions. As such, the
 y require inpainting to restore miss
 ing information accurately. This res
 toration is vital for enabling downs
 tream tasks such as classification, 
 detection, and segmentation. Despite
  the advancements, deep learning mod
 els for inpainting face multiple cha
 llenges including hallucinations, wh
 ere the model incorrectly introduces
  non-existent elements in the image.
  This study introduces a novel frame
 work for detecting hallucinations us
 ing an image inpainting generator co
 upled with a two-class discriminator
  and a class activation mapping (Gra
 d-CAM) model. The experimental setup
  involves diverse masking techniques
  and analyzes the inpainting results
  across different image classes. Our
  findings reveal significant impacts
  of mask type and size on hallucinat
 ion metrics, with rectangular masks 
 generally yielding better results th
 an irregular and random masks. Addit
 ionally, each class-specific generat
 or exhibited unique inpainting behav
 iors, influenced by mask size. The s
 tudy identifies the in-distribution 
 Dice metric and out-of-distribution 
 prediction value as effective measur
 es for hallucination detection, with
  the FID metric proving optimal for 
 reconstruction quality.\n  \n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20240723T120000
DTEND:20240723T130000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR