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:20240726T143149Z
LAST-MODIFIED:20240726T143149Z
DTSTAMP:20261012T160140Z
UID:1791810100@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Κωνσταντίνου Βλάχου - 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=7166&cHash=70
 8de96964b8fd3cb6945ae103d3dc9d\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Προπτυχιακών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Κω
 νσταντίνου Βλάχου\n με θέμα\n Οπτική
  Αναγνώριση Κειμένου σε Εικόνες για 
 Ερωταπαντήσεις με χρήση Βαθιάς Μάθησ
 ης\n Visual Recognition of Text in I
 mages for Question Answering using D
 eep Learning\n Εξεταστική Επιτροπή\n
  Καθηγητής Μιχαήλ Γ. Λαγουδάκης (Σχο
 λή ΗΜΜΥ) (επιβλέπων)\n Καθηγητής Μιχ
 αήλ Ζερβάκης (Σχολή ΗΜΜΥ)\n Καθηγητή
 ς Παναγιώτης Παρτσινέβελος (Σχολή ΜΗ
 ΧΟΠ)\n Περίληψη\n Η Απάντηση Ερωτήσε
 ων μέσω Οπτικών Δεδομένων (Visual Qu
 estion Answering, VQA) είναι μια σύν
 θετη πρόκληση που συνδυάζει τους τομ
 είς της Υπολογιστικής Όρασης και της
  Επεξεργασίας Φυσικής Γλώσσας. Η βασ
 ική ιδέα πίσω από το VQA είναι να μπ
 ορεί να απαντά κανείς αυτόματα σε ερ
 ωτήσεις, που παρέχονται με τη μορφή 
 κειμένου φυσικής γλώσσας, σχετικά με
  το περιεχόμενο μιας ψηφιακής έγχρωμ
 ης εικόνας, που παρέχεται επίσης ως 
 μέρος της εισόδου. Η απάντηση πρέπει
  να παραδοθεί επίσης στην ίδια μορφή
  κειμένου φυσικής γλώσσας. Η παρούσα
  διπλωματική εργασία διερευνά την αν
 άπτυξη ενός μοντέλου VQA, αξιοποιώντ
 ας υπάρχοντα συστήματα, εκπαιδευμένα
  σε εκατομμύρια δεδομένα χρησιμοποιώ
 ντας τεχνικές βαθιάς μηχανικής μάθησ
 ης. Πιο συγκεκριμένα, τα δύο συστήμα
 τα που αξιοποιήθηκαν είναι: το Effic
 ientNetB0 ως εργαλείο εξαγωγής χαρακ
 τηριστικών εικόνας και το BERT για τ
 ην ενσωμάτωση ερωτήσεων. Οι χάρτες χ
 αρακτηριστικών που παράγονται από αυ
 τά τα δύο στοιχεία συνενώνονται και 
 στη συνέχεια τροφοδοτούνται σε μια σ
 υνελικτική αρχιτεκτονική νευρωνικού 
 δικτύου με δύο πυκνά στρώματα, τα οπ
 οία είναι υπεύθυνα για την πραγματοπ
 οίηση προβλέψεων. Ο στόχος της αρχιτ
 εκτονικής αυτού του μοντέλου είναι ν
 α ταξινομήσει σωστά τις εισόδους, πο
 υ αποτελούνται από μια ερώτηση και μ
 ια εικόνα, σε απαντήσεις που επιλέγο
 νται από ένα προκαθορισμένο σύνολο 5
 00 πιθανών επιλογών. Η εκπαίδευση το
 υ μοντέλου περιελάμβανε κατάλληλη χρ
 ήση των Pro GPUs του Colab, καθώς κα
 ι πειραματισμό με διάφορες διαμορφώσ
 εις για τη βελτιστοποίηση της απόδοσ
 ης και την εφαρμογή μιας σειράς από 
 callbacks για τη βελτίωση της σταθερ
 ότητας της εκπαίδευσης. Το μοντέλο π
 ου προέκυψε επέδειξε καλή απόδοση σε
  πολλές περιπτώσεις, αναγνωρίζοντας 
 αντικείμενα με ακρίβεια, κατανοώντας
  σκηνές και εκτελώντας χωροταξικούς 
 συλλογισμούς για να απαντάει σε ερωτ
 ήσεις σχετικές με την εικόνα εισόδου
 . Αυτά τα αποτελέσματα παρουσιάζοντα
 ι μέσω μια σειράς σωστών και λανθασμ
 ένων προβλεπόμενων απαντήσεων σε επι
 λεγμένες περιπτώσεις. Τέλος, συζητού
 νται εκτενώς περιορισμοί, μελλοντικέ
 ς επεκτάσεις και πιθανές εφαρμογές τ
 ης προτεινόμενης προσέγγισης.\n Abst
 ract \n Visual Question Answering (V
 QA) is a complex challenge that comb
 ines the domains of Computer Vision 
 and Natural Language Processing. The
  key concept behind VQA is to be abl
 e to automatically answer questions,
  provided in the form of natural lan
 guage text, about the content of a d
 igital color image, provided also as
  part of the input. The answer is to
  be delivered also in the same form 
 of natural language text. This diplo
 ma thesis explores the development o
 f a VQA model, utilizing existing sy
 stems, trained on millions of data u
 sing deep machine learning technique
 s. More specifically, the two system
 s utilized are: EfficientNetB0 as th
 e image feature extractor and BERT f
 or question embedding. The feature m
 aps generated by these two component
 s are concatenated and are subsequen
 tly passed through a convolutional N
 eural Network architecture with two 
 dense layers, which is responsible f
 or making predictions. The goal of t
 his model’s architecture is to corre
 ctly classify inputs, consisting of 
 a question and an image, to answers 
 selected from a predefined set of 50
 0 possible responses. Training the m
 odel involved leveraging Colab’s Pro
  GPUs, experimenting with various co
 nfigurations to optimize performance
 , and employing a range of callbacks
  for enhanced training stability. Th
 e resulting model demonstrated good 
 performance in many cases, accuratel
 y recognizing objects, understanding
  scenes, and performing spatial reas
 oning to answer questions related to
  the input image. These results are 
 illustrated through a series of corr
 ect and incorrect predicted answers 
 on selected instances. Finally, limi
 tations, future extensions and poten
 tial applications of the proposed ap
 proach are discussed. \n Meeting ID:
  98005596474\n Password: 025879\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20240730T133000
DTEND:20240730T143000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR