Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/33073Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Georvasilis, Ioannis | en |
| dc.contributor.author | Γεωρβασίλης, Ιωάννης | el |
| dc.date.accessioned | 2023-10-05T08:30:29Z | - |
| dc.date.available | 2023-10-05T08:30:29Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/33073 | - |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.12872 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Machine Learning | en |
| dc.subject | Μηχανική μάθηση | el |
| dc.subject | Macro XRF | en |
| dc.subject | Deep Learning | en |
| dc.subject | Deep Neural Networks | en |
| dc.subject | Convolutional Neural Networks | en |
| dc.subject | Elemental Distribution Maps | en |
| dc.subject | Physics Based Prior Knowledge | en |
| dc.subject | Βαθιά Μάθηση | el |
| dc.title | Deep Learning Methods for Elemental Map Prediction from MA-XRF spectra | en |
| dc.title | Μέθοδοι Βαθιάς Μάθησης για Πρόβλεψη Στοιχειακών Χαρτών από φάσματα MA-XRF | el |
| dc.type | masterThesis | en |
| heal.type | masterThesis | - |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Data Science and Engineering | - |
| heal.classification | Μηχανική Δεδομένων | - |
| heal.dateAvailable | 2023-10-05T08:31:30Z | - |
| heal.language | en | - |
| heal.access | free | - |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής | el |
| heal.publicationDate | 2023-10-04 | - |
| heal.abstract | Macro-XRF (MA-XRF) is a valuable non-destructive technique for investigating the chemical elemental composition of materials. MA-XRF data can be considered as high dimensional images, where a large vector of X-ray wavelengths emitted by excited atoms is computed for each pixel. Through MA-XRF analysis, experts derive Elemental Distribution Maps, which provide essential insights into the spatial distribution of various elements within a given sample. However, the generation of these maps requires significant expertise, analysis and time investment. This work attempts to provide an automated solution to this fundamental problem that is cast as a regression problem with high dimensional inputs and multiple outputs. The dataset under examination comprises paintings created using medieval painting techniques, dating from the 18th to the 19th centuries, with the primary objective of predicting concentrations for twelve specific chemical elements. To address this problem two popular deep architectures namely, a Fully Connected Neural Network (MLP) and an 1d Convolutional Neural Network, have been employed as multi-output regressors. A novel issue in our approach is the integration of physics-based prior knowledge into these models. This prior knowledge is injected through a predefined layer with constant weights, which accurately encapsulates the spectral signatures of the twelve elements under examination. The experimental results indicate that the enhanced models lead to substantial performance improvement, highlighting the potential of combining deep learning techniques with physics-based insights in the domain of MA-XRF elemental mapping. | en |
| heal.abstract | Η φασματοσκοπία φθορισμού ακτίνων-Χ macro (MA-XRF), είναι μια πολύτιμη μη καταστροφική αναλυτική τεχνική που χρησιμοποιείται για τη διερεύνηση της στοιχειακής σύνθεσης των υλικών. Μέσω της ανάλυσης MA-XRF, οι ειδικοί εξάγουν Χάρτες Στοιχειακής Κατανομής, οι οποίοι παρέχουν ουσιαστικές πληροφορίες για τη χωρική κατανομή διαφόρων στοιχείων σε ένα δεδομένο δείγμα. Ωστόσο, η δημιουργία αυτών των περίπλοκων χαρτών απαιτεί σημαντική τεχνογνωσία, ανάλυση και επένδυση χρόνου. Υπό το πρίσμα της αυξανόμενης αξιοποίησης της Μηχανικής Μάθησης, ιδίως της Βαθιάς Μάθησης, για την αντιμετώπιση σύνθετων προκλήσεων που σχετίζονται με το MA-XRF, η παρούσα εργασία περιστρέφεται γύρω από το θεμελιώδες πρόβλημα της πρόβλεψης Χαρτών Στοιχειακής Κατανομής (Elemental Distribution Maps), το οποίο διαμορφώνεται ως πρόβλημα παλινδρόμησης πολλα- πλών εξόδων. Το υπό εξέταση σύνολο δεδομένων περιλαμβάνει πίνακες που δη- μιουργήθηκαν με μεσαιωνικές τεχνικές ζωγραφικής και χρονολογούνται από τον 18ο έως τον 19ο αιώνα, με πρωταρχικό στόχο την πρόβλεψη των συγκεντρώσεων δώδεκα συγκεκριμένων στοιχείων. Για την αποτελεσματική αντιμετώπιση αυτής της πρόκλησης, η παρούσα μελέτη χρησιμοποιεί δύο ευρέως μελετημένες βαθιές αρχιτεκτονικές: ένα Πλήρως Συνδεδε- μένο Νευρωνικό Δίκτυο (MLP) και ένα 1d Συνελικτικό Νευρωνικό Δίκτυο, που χρη- σιμοποιούνται ως παλινδρομείς πολλαπλών εξόδων. Αυτό που διαφοροποιεί αυτή την έρευνα είναι η ενσωμάτωση πρότερης γνώσης με βάση τη Φυσική σε αυτά τα μοντέλα βαθιάς μάθησης. Η πρότερη γνώση ορίζεται μέσω ενός προκαθορισμένου ενδιάμεσου επιπέδου (Prior Layer) με σταθερά βάρη, το οποίο ενσωματώνει τις φα- σματικές υπογραφές των δώδεκα στοιχείων που ορίζονται ως στόχοι. Τα σταθερά βάρη στο επίπεδο αυτό χρησιμεύουν ως μια μορφή εξαγωγής χαρακτηριστικών. Η εκμετάλλευση των φασματικών υπογραφών βοηθά τα μοντέλα να εστιάζουν στα κατάλληλα χαρακτηριστικά, βελτιώνοντας έτσι την ικανότητά τους να διακρίνουν και να διαφοροποιούν τα στοιχεία. Τα πειραματικά ευρήματα της προτεινόμενης προσέγγισης υποδεικνύουν σημα- ντική βελτίωση της επίδοσης των μοντέλων, υπογραμμίζοντας έτσι τις δυνατότητες συνδυασμού της γνώσης βασισμένη στη Φυσική με τις τεχνικές βαθιάς μάθησης στον τομέα της στοιχειακής ανάλυσης MA-XRF. | el |
| heal.advisorName | Λύκας, Αριστείδης | el |
| heal.committeeMemberName | Λύκας, Αριστείδης | el |
| heal.committeeMemberName | Μπλέκας, Κωνσταντίνος | el |
| heal.committeeMemberName | Βλάχος, Κωνσταντίνος | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής | el |
| heal.academicPublisherID | uoi | - |
| heal.numberOfPages | 74 σ. | - |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΗΥΠ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| MSc_Georvasilis_2023.pdf | 29.15 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
