Πλοήγηση ανά Συγγραφέας "Karampidis, Konstantinos"

Τώρα δείχνει 1 - 2 of 2
  • Μικρογραφία εικόνας
    Τεκμήριο
    File type identification - A computational intelligence approach to digital forensics.
    (Τ.Ε.Ι. Κρήτης, Σχολή Τεχνολογικών Εφαρμογών (Σ.Τ.Εφ), ΠΜΣ Πληροφορική και Πολυμέσα, 2015-11-27T15:04:14Z) Καραμπίδης, Κωνστατίνος; Karampidis, Konstantinos
    Η ψηφιακή εγκληματολογία είναι ένα σχετικά νέο πεδίο στην Επιστήμη των Υπολογιστών. Αν και οι περισσότεροι άνθρωποι πιστεύουν ότι μόνο οι υπολογιστές χρησιμοποιούνται σε ηλεκτρονικά εγκλήματα, αυτό δεν είναι αλήθεια. Όλες οι ηλεκτρονικές συσκευές μπορούν να κρύβουν πιθανές αποδείξεις. Μια από τις πιο σημαντικές διαδικασίες στην Ψηφιακή εγκληματολογία είναι η σωστή αναγνώριση του τύπου ενός αρχείου. Πολλές φορές οι ύποπτοι προσπαθούν να κρύψουν αποδεικτικά στοιχεία, αλλάζοντας τον τύπο του αρχείου. Στο πρώτο κεφάλαιο, γίνεται μια μικρή εισαγωγή στην Ψηφιακή εγκληματολογία και παρουσιάζονται οι τυποποιημένες διαδικασίες εύρεσης στοιχείων καθώς και τα εργαλεία - λογισμικό που χρησιμοποιείται από τους αναλυτές ψηφιακών πειστηρίων. Στο δεύτερο κεφάλαιο παρουσιάζουμε όλες τις πιθανές μεθόδους εντοπισμού του τύπου ενός αρχείου, δίνονται παραδείγματα με τη χρήση γνωστών εργαλείων λογισμικού και αναφέρομαστε στην βιβλιογραφία για άλλες παρόμοιες επιστημονικές προτάσεις. Στο τρίτο κεφάλαιο προτείνεται μια νέα μέθοδος αναγνώρισης του τύπου ενός αρχείου. Η μέθοδος μας χρησιμοποιεί εξελικτικούς αλγορίθμους όπως γενετικοί αλγόριθμοι για την εξαγωγή χαρακτηριστικών (μαζί με τον CFS) και το πολυεπίπεδο perceptron για την ταξινόμηση. Στο τέταρτο κεφάλαιο παρουσιάζουμε τα αποτελέσματα της μεθόδου αυτής και τέλος στο κεφάλαιο 5 παραθέτουμε τα συμπεράσματα αυτής της εργασίας, μαζί με σκέψεις των μελλοντικών εργασιών στον συγκεκριμένο επιστημονικό τομέα.
  • Μικρογραφία εικόνας
    Τεκμήριο
    Liver tumor segmentation using deep learning
    (ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής, 2025-10-07) Lemonakis, Georgios; Λεμονάκης, Γεώργιος; Karampidis, Konstantinos; Καραμπίδης, Κωνσταντίνος
    Liver is a very important organ of the human body, responsible for many crucial functions. Since liver cancer is among the ones that cause many deaths worldwide, and metastases frequently have liver origin, it is essential to have high quality and accurate liver and tumor segmentations for early cancer diagnosis. From the other hand, manual identification and segmentation of lesions in three-dimensional CT scans requires too much time, is difficult to reproduce, and the segmentation results depend on the operator. To overcome these problems, many Deep Learning models have been utilized with promising results. This work is a Deep Learning approach for liver and tumor segmentation, more specifically two U-net (convolutional neural network (CNN)) variants, namely the Resnet34 and Resnet50 models, both pre-trained and afterwards fine-tuned (transfer learning), and tested on 131 CT scans of the LiTS (Liver Tumor Segmentation) challenge dataset. A 10% of these CT scans were used for evaluation of the models, and the highest DSC scores achieved were 0.926 for liver and 0.619 for tumor segmentation