Διπλωματικές Εργασίες Ακαδημαϊκού Έτους 2024-2025

Σύντομη Περιγραφή:

Αυτή η Διπλωματική Εργασία (ΔΕ) εστιάζει στη χρήση τεχνικών υπολογιστικής νοημοσύνης για τον εντοπισμό και την αντιμετώπιση των ανεπιθύμητων μηνυμάτων ηλεκτρονικού ταχυδρομείου (spam). Η ανεξέλεγκτη αποστολή spam μηνυμάτων αποτελεί σημαντικό πρόβλημα τόσο για τους χρήστες όσο και για τις υποδομές των παρόχων υπηρεσιών email. Σκοπός της εργασίας είναι να εξετάσει και να συγκρίνει σύγχρονες μεθόδους τεχνητής νοημοσύνης, όπως μηχανική μάθηση, νευρωνικά δίκτυα και εξελικτικούς αλγόριθμους, για την αποτελεσματική ανίχνευση και φιλτράρισμα των spam. Αρχικά, θα παρουσιαστούν οι βασικές αρχές των ανεπιθύμητων μηνυμάτων και τα χαρακτηριστικά που τα διακρίνουν από τα κανονικά μηνύματα. Στη συνέχεια, θα αναλυθούν οι κλασσικές τεχνικές φιλτραρίσματος, όπως τα φίλτρα βασισμένα σε κανόνες και τα στατιστικά μοντέλα. Η εργασία θα εστιάσει κυρίως στη χρήση πιο προχωρημένων τεχνικών, όπως τα νευρωνικά δίκτυα (MLP, CNN, LSTM), οι αλγόριθμοι ταξινόμησης (SVM, Naive Bayes) και οι εξελικτικοί αλγόριθμοι (PSO, SCA), και θα εξετάσει τον τρόπο με τον οποίο μπορούν να βελτιώσουν την ακρίβεια και την ταχύτητα της διαδικασίας φιλτραρίσματος. Επιπλέον, θα γίνει ανάλυση των πλεονεκτημάτων και των μειονεκτημάτων της κάθε προσέγγισης και θα συζητηθούν οι προκλήσεις που αφορούν στη διαρκή εξέλιξη των spam μηνυμάτων και την ανάγκη προσαρμογής των φίλτρων στις νέες μεθόδους παραπλάνησης των spammer. Η ΔΕ θα περιλαμβάνει επίσης πειραματικά αποτελέσματα από την εφαρμογή των εν λόγω τεχνικών, τα οποία θα δείχνουν την αποτελεσματικότητά τους στην πράξη. Τέλος, θα παρουσιαστεί το ενδεχόμενο βελτίωσης των εκάστοτε αλγορίθμων, όπως και η πιθανότητα δημιουργίας καινούργιων αλγορίθμων, πιο εξελιγμένων και προσαρμοστικών στις απειλές των spammers. Ως επιπρόσθετη γνώση, θα χρησιμοποιηθεί λογαριασμός Gmail που θα εφαρμοστεί στους κώδικες των προαναφερθέντων μεθόδων, για την αξιολόγηση της λειτουργία τους σε πραγματικά δεδομένα.

Απαραίτητες γνώσεις: Linux, Docker, Python, AI, Machine Learning, Neural Networks

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Γρηγόριος Κουλούρας, Αναπληρωτής Καθηγητής

Φοιτήτρια: Κωνσταντίνα Πάνο

Σύντομη Περιγραφή:

Οι Μετασχηματιστές (Tranformers) έχουν εμφανιστεί πρόσφατα ως μια πολλά υποσχόμενη και ευέλικτη βαθιά νευρωνική αρχιτεκτονική. Από την εισαγωγή των Vision Transformers (ViT) το 2020, η κοινότητα της Υπολογιστικής Όρασης και της αναγνώρισης προτύπων (Computer Vision & Pattern Recognition) έχει γίνει μάρτυρας μιας έκρηξης των μοντέλων υπολογιστικής όρασης που βασίζονται σε μετασχηματιστές. Αυτή η διπλωματική αποτελεί μια ευκαιρία και ταυτόχρονα πρόκληση για την διερεύνηση των διαφόρων σχετικών τοπολογιών και των ανοιχτών προκλήσεων στο σχεδιασμό μοντέλων μετασχηματιστών για την υπολογιστική όραση.

Απαραίτητες γνώσεις: Υπολογιστική Όραση, Επεξεργασία Εικόνας, Υπολογιστική Νοημοσύνη, Matlab, Python

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Ηλίας Ζώης, Αναπληρωτής Καθηγητής

Φοιτητής: –

Σύντομη Περιγραφή:

Η αυτόματη αναγνώριση των τύπων νεφών από επίγειες εικόνες υπέρυθρων αποτελεί μια πρόκληση. Στην συγκεκριμένη διπλωματική, θα μελετηθεί μια νέα μέθοδος ταξινόμησης νεφών με τεχνικές ομαδοποίησης εικόνων σε πέντε τύπους σύννεφων με βάση τα χαρακτηριστικά πολλαπλότητας και υφής. Σε σύγκριση με τα στατιστικά χαρακτηριστικά στον Ευκλείδειο χώρο, τα πολλαπλά χαρακτηριστικά που εξάγονται σε χώρο συμμετρικού θετικού ορισμένου πίνακα (SPD) μπορούν να περιγράψουν πιο αποτελεσματικά τα μη Ευκλείδεια γεωμετρικά χαρακτηριστικά της υπέρυθρης εικόνας. Η προτεινόμενη μέθοδος περιλαμβάνει τρία στάδια: προεπεξεργασία, εξαγωγή χαρακτηριστικών και ταξινόμηση. Θα χρησιμοποιηθεί η βάση the Whole-Sky Infrared Cloud-Measuring System (WSIRCMS).

Απαραίτητες γνώσεις: Στοιχεία Γραμμικής Άλγεβρας & Γεωμετρίας στην Υπολογιστική Όραση, Ψηφιακή Επεξεργασία Σήματος – Εικόνας, Υπολογιστική Νοημοσύνη, Matlab, C/C++, Python

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Ηλίας Ζώης, Αναπληρωτής Καθηγητής

Φοιτητής: –

Σύντομη Περιγραφή:

Η παρούσα διπλωματική εργασία σχετίζεται με την περιγραφή και λειτουργία διαφόρων τοπολογιών βαθιάς μηχανικής μάθησης βασισμένων στα συνελικτικά νευρωνικά δίκτυα. Πρόκειται ένα ολοκληρωμένο σχέδιο εφαρμογής τεχνικών αιχμής στην μηχανική εκμάθηση και την υπολογιστική όραση.

Απαραίτητες γνώσεις: Ψηφιακή Επεξεργασία Σήματος – Εικόνας, Υπολογιστική Νοημοσύνη, Matlab, Python

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Ηλίας Ζώης, Αναπληρωτής Καθηγητής

Φοιτητής: –

Σύντομη Περιγραφή:

Η παρούσα διπλωματική εργασία θα επικεντρωθεί στο θεωρητικό πλαίσιο και τα πειραματικά αποτελέσματα της εφαρμογής τεχνικών βαθιάς μάθησης σε μη ευκλείδειους χώρους, με ιδιαίτερη έμφαση στην πολλαπλότητα SPD, με στόχο την ανάπτυξη λύσεων σε εφαρμογές υπολογιστικής όρασης. Ειδικότερα, η προτεινόμενη μελέτη θα επικεντρωθεί σε ένα πλαίσιο βαθιάς μάθησης σχεδιασμένο για την επεξεργασία πολύπλοκων αναπαραστάσεων δεδομένων που δεν μπορούν να αντιμετωπιστούν αποτελεσματικά από τις παραδοσιακές γραμμικές μεθόδους. Κατανοώντας τα γεωμετρικά χαρακτηριστικά της πολλαπλότητας SPD και τον τρόπο με τον οποίο αυτά διατηρούνται κατά την εξαγωγή χαρακτηριστικών, ο/ή υποψήφιος θα διερευνήσει πώς η μεθοδολογία αυτή ενισχύει την αποτελεσματικότητα της ταξινόμησης αντιμετωπίζοντας τις προκλήσεις τόσο της εντός της κλάσης μεταβλητότητας όσο και της διαφορετικότητας μεταξύ αυτών. Συνεπώς ό στόχος θα είναι η ενασχόληση με τα θεωρητικά θεμέλια της μάθησης πολλαπλοτήτων και η πρακτική εφαρμογή της σε βαθιά δίκτυα, ενισχύοντας έτσι την κατανόηση αυτών των εξελιγμένων εννοιών της σύγχρονης μηχανικής μάθησης.

Απαραίτητες γνώσεις: Ψηφιακή Επεξεργασία Σήματος – Εικόνας, Γραμμική Άλγεβρα

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Ηλίας Ζώης, Αναπληρωτής Καθηγητής

Φοιτητής: –

Σύντομη Περιγραφή:

H αναπαράσταση εικόνων με την χρήση των συμμετρικών και θετικά οριζόμενων πινάκων συνδιακύμανσης (SPD) δηλαδή λαμβάνοντας υπόψη τη γεωμετρία Riemann του χώρου, φαίνεται να αποδίδει σε διάφορα αντικείμενα υπολογιστικής όρασης. Από την άλλη, η χρήση μεγάλων διαστάσεων στις πολλαπλότητες SPD εισάγει υψηλό υπολογιστικό κόστος το οποίο περιορίζει τη δυνατότητα εφαρμογής των υπαρχουσών SPD τεχνικών. Στην παρούσα διπλωματική, θα μελετηθούν αλγόριθμοι ικανοί να χειρίζονται πίνακες SPD υψηλών διαστάσεων διαμέσου μια αναπαράστασης σε πίνακες SPD χαμηλότερων διαστάσεων. Για το σκοπό αυτό θα γίνει χρήση ορθοκανονικών προβολών ώστε να μετατραπούν χώροι SPD υψηλής διάστασης σε αντίστοιχους SPD χαμηλής διάστασης. Έτσι, η μείωση των διαστάσεων διατυπώνεται ως το πρόβλημα της εύρεσης μιας προβολής η οποία δημιουργεί ένα SPD χώρο χαμηλής διάστασης είτε με βέλτιστη απόδοση στον διαχωρισμό (εποπτευόμενο σενάριο) είτε με μέγιστη διακύμανση των δεδομένων (μη εποπτευόμενο σενάριο). Η διαδικασία της μάθησης εκφράζεται ως πρόβλημα βελτιστοποίησης σε μια πολλαπλότητα Grassmann. Η αξιολόγησή της σε εργασίες υπολογιστικής όρασης παρέχει ισχυρές ενδείξεις ότι αποδεικνύει η συγκεκριμένη προσέγγιση οδηγεί σε σημαντικό κέρδος ακρίβειας έναντι άλλων μεθόδων αιχμής.

Απαραίτητες γνώσεις: Υπολογιστική Όραση, Στοιχεία Γραμμικής Άλγεβρας και Γεωμετρίας στην Υπολογιστική Όραση, Ψηφιακή Επεξεργασία Σήματος – Εικόνας, Matlab, Python

Χώρος υλοποίησης της διπλωματικής: ZB203 – Ερευνητικό Εργαστήριο TelSiP

Επιβλέπων: Δρ. Ηλίας Ζώης, Αναπληρωτής Καθηγητής

Φοιτητής: –