Deep learning and machine learning techniques for image classification and analysis

Η βαθιά μάθηση και η μηχανική μάθηση έχουν μεταμορφώσει ριζικά τον τομέα της ταξινόμησης και ανάλυσης εικόνων, προσφέροντας σημαντικές προόδους στην ιατρική διάγνωση, την περιβαλλοντική και βιομηχανική παρακολούθηση, την αναγνώριση αντικειμένων σε πραγματικό χρόνο και την επεξεργασία φυσικής γλώσσας. Συνελικτικές νευρωνικές δομές (CNN), δίκτυα μακροπρόθεσμης μνήμης (LSTM), μηχανισμοί προσοχής και υβριδικές αρχιτεκτονικές αποδεικνύονται εξαιρετικά ικανά να εξάγουν ουσιώδη χαρακτηριστικά από δεδομένα υψηλής διάστασης και ποικίλων μορφών. Παρά την ταχεία πρόοδο, εξακολουθούν να υφίστανται προκλήσεις που αφορούν τη βελτιστοποίηση της ακρίβειας, την ισχυρή γενίκευση, την ερμηνευσιμότητα και την αποδοτική υπολογιστική λειτουργία, αναδεικνύοντας την ανάγκη για ολοκληρωμένη και διεπιστημονική έρευνα. Η παρούσα διατριβή συνοψίζει και επεκτείνει τα ευρήματα δημοσιευμένων εργασιών, προτείνοντας, υλοποιώντας και αξιολογώντας νέες τεχνικές βαθιάς και μηχανικής μάθησης για ποικίλες εφαρμογές εικόνας και συνδυασμού κειμένου–εικόνας. Στόχος της είναι: (ι) ο σχεδιασμός και η βελτιστοποίηση μοντέλων CNN και υβριδικών αρχιτεκτονικών με LSTM, μηχανισμούς προσοχής και στοιχεία transformer, (ιι) η διασφάλιση ανθεκτικότητας και κλιμακωσιμότητας μέσω στρατηγικών όπως η μεταφορά μάθησης, οι προηγμένες τεχνικές αύξησης δεδομένων και η προσαρμογή τομέα, και (ιιι) η ενσωμάτωση ερμηνευσιμότητας και διαφάνειας ώστε τα συστήματα τεχνητής νοημοσύνης να είναι αξιόπιστα και αποδεκτά από επαγγελματίες και φορείς λήψης αποφάσεων. Πραγματοποιήθηκαν εκτεταμένα πειράματα σε πραγματικά σύνολα δεδομένων που καλύπτουν ένα ευρύ φάσμα εφαρμογών. Στην ιατρική απεικόνιση, εξετάζονται ιστοπαθολογικές εικόνες για καρκίνο μαστού, μικροσκοπικές εικόνες λευκών αιμοσφαιρίων, ακτινογραφίες θώρακα για πνευ- μονία και COVID-19, μαγνητικές τομογραφίες εγκεφάλου για ανίχνευση όγκων και νόσου Αλτσχάιμερ, υπερηχογραφήματα θυρεοειδικών όζων και μικροσκοπικές εικόνες ελονοσίας. Στην περιβ- αλλοντική και βιομηχανική παρακολούθηση, η έρευνα περιλαμβάνει δορυφορική ταξινόμηση τοπίων, ανίχνευση απορριμμάτων σε έξυπνες πόλεις, αναγνώριση μετεωρολογικών εικόνων και υποστήριξη περιστατικών πετρελαιοκηλίδων. Στην αναγνώριση αντικειμένων και γενικής εικόνας, καλύπτονται η αναγνώριση κομματιών σκακιού, η αναγνώριση νοηματικής γλώσσας, η ταξινόμηση αθλητικών και φυσικών σκηνών, καθώς και η ανίχνευση μάσκας προσώπου σε πραγματικό χρόνο. Τέλος, μελέτες σε επεξεργασία φυσικής γλώσσας επεκτείνουν τη μεθοδολογία στην ανάλυση συναισθήματος και συναισθηματικής διάθεσης, συμπεριλαμβανομένων πολυτροπικών συστημάτων που συνδυάζουν κείμενο και εικόνα. Σε όλα τα πεδία εφαρμογής, οι προτεινόμενες μέθοδοι υπερέβησαν τα βασικά και πολλά σύγχρονα πρότυπα. Η αυστηρή αξιολόγηση με δείκτες όπως ακρίβεια, θετική προγνωστική τιμή (precision), ανάκληση, F1-score, AUC και, όπου απαιτείται, συντελεστή συσχέτισης Matthews, ανέδειξε όχι μόνο υψηλή προβλεπτική ικανότητα αλλά και ισχυρή γενίκευση σε μη οικείες συνθήκες, με περιορισμένο υπολογιστικό κόστος. Συστηματικές μελέτες αφαίρεσης (ablation) και παραμετρικής ρύθμισης εδραίωσαν τα ευρήματα και ενίσχυσαν την αναπαραγωγιμότητα. Μια ουσιαστική συμβολή της διατριβής είναι η ανάδειξη ενιαίων αρχιτεκτονικών και μεθοδολογικών αρχών που διατρέχουν όλες τις εφαρμογές. Βαθιές αλλά κατάλληλα κανονικοποιημένες CNN δομές, εμπλουτισμένες όπου χρειάζεται με προσοχή ή επαναληπτικές/τρανσφορμερ υπομονάδες, αποτελούν συνεκτικό σχεδιαστικό υπόβαθρο. Στρατηγικές που εστιάζουν στα δεδομένα—όπως εκτεταμένη αύξηση δείγματος, μεταφορά μάθησης και προσαρμογή τομέα—αποδεικνύονται καθοριστικές για ανθεκτικότητα σε θόρυβο, μικρά σύνολα και μεταβολές κατανομής. Η ερμηνευσιμότητα θεωρείται θεμελιώδης απαίτηση: θερμοχάρτες Grad-CAM, χαρτογραφήσεις προσοχής και εργαλεία SHAP/LIME αναδεικνύουν τα οπτικά ή γλωσσικά χαρακτηριστικά που καθοδηγούν κάθε απόφαση, επιτρέποντας ουσιαστική επιβεβαίωση από ειδικούς.Πέρα από την τεχνική καινοτομία, η διατριβή εξετάζει ηθικές και κοινωνικές διαστάσεις της τεχνητής νοημοσύνης, όπως η διαφάνεια, η δικαιοσύνη και η βιωσιμότητα, σε συμφωνία με τις ευρωπαϊκές και διεθνείς κατευθυντήριες οδηγίες. Αποδεικνύεται ότι η υψηλή ακρίβεια μπορεί να συνδυαστεί με ερμηνευσιμότητα, αποδοτική χρήση πόρων και υπεύθυνη διαχείριση δεδομένων, ενισχύοντας την εμπιστοσύνη και τη δυνατότητα πρακτικής εφαρμογής. Η διατριβή οργανώνεται σε τέσσερα μέρη. Το πρώτο εισάγει το ερευνητικό πρόβλημα, θέτει τους στόχους και εξετάζει κριτικά τη βιβλιογραφία, αναδεικνύοντας τα κενά που οδήγησαν στη συγκεκριμένη έρευνα. Το δεύτερο μέρος περιγράφει το προτεινόμενο πλαίσιο, τις αρχιτεκτονικές σχεδιάσεις, τα μαθηματικά θεμέλια και τις στρατηγικές εκπαίδευσης. Το τρίτο παρουσιάζει εκτε- ταμένα πειράματα και συγκριτικές μελέτες σε όλους τους τομείς εφαρμογής. Το τέταρτο συζητά συνολικά τα ευρήματα, αποστάζει τις ενιαίες αρχές σχεδιασμού και καταλήγει με περιορισμούς και τεκμηριωμένες κατευθύνσεις για μελλοντική έρευνα. Συνολικά, η διατριβή αυτή παρέχει μια πλήρη και πειραματικά τεκμηριωμένη μελέτη της βαθιάς και μηχανικής μάθησης για ταξινόμηση και ανάλυση εικόνων. Μέσα από την προώθηση ενοποιημένων και ερμηνεύσιμων αρχιτεκτονικών, ανθεκτικών στρατηγικών δεδομένων και επεκτάσιμων πρακτικών ανάπτυξης, αποδεικνύει ότι η τεχνητή νοημοσύνη μπορεί να είναι ταυτόχρονα επιστημονικά ακριβής, επιχειρησιακά αξιόπιστη και κοινωνικά υπεύθυνη, ενισχύοντας τον μετασχηματιστικό της ρόλο στη σύγχρονη υπολογιστική νοημοσύνη.