Συγκριτική μελέτη και υλοποίηση νευρωνικών δικτύων κατάλληλων για αναγνώριση αντικειμένων σε κινητές ή ενσωματωμένες συσκευές στα πλαίσια την αυτόνομης οδήγησης
| datacite.contributor.RelatedPerson | Σπυρίδων Σιούτας | |
| datacite.contributor.RelatedPerson | Εύη Παπαϊωάννου | |
| datacite.contributor.Supervisor | Παυλίδης Γεώργιος | |
| datacite.rights | http://purl.org/coar/access_right/c_f1cf | el |
| dc.contributor.author | Οικονόμου, Γεώργιος | |
| dc.contributor.other | Oikonomou, Georgios | |
| dc.date.accessioned | 2022-02-09T10:44:24Z | |
| dc.date.available | 2022-02-09T10:44:24Z | |
| dc.date.copyright | 2021-02-05 | |
| dc.degree | masterThesis | el |
| dc.description.abstract | Η παρούσα διπλωματική εστιάζει στη θεματική περιοχή του object detection η οποία αποτελεί μέρος του ευρύτερου πεδίου του computer vision και συνδυάζει τεχνικές επεξεργασίας εικόνας (image processing). Με τη βοήθεια του object detection είμαστε σε θέση να εντοπίσουμε την ύπαρξη συγκεκριμένων αντικειμένων όπως ανθρώπους, αυτοκίνητα, κτήρια κ.α. εντός ψηφιακών εικόνων ή βίντεο. Πιο συγκεκριμένα εστιάζουμε στην χρήση ενσωματωμένων καμερών που φέρουν αυτοκίνητα με δυνατότητες αυτόνομης οδήγησης και αναγνώρισης πεζών. Η παραπάνω μελέτη θα βασιστεί σε τεχνικές νευρωνικών δικτύων deep learning ώστε να αντιμετωπιστούν τα προβλήματα object detection και localization. Τα εν λόγω συνελικτικά (convolution) νευρωνικά δίκτυα γνωστά ως MobileNet, που θα χρησιμοποιηθούν χρειάζεται να έχουν αρχιτεκτονική κατάλληλα προσαρμοσμένη για mobile και embedded εφαρμογές. Πράγμα που σημαίνει μειωμένο μέγεθος, ταχύτητα χωρίς ιδιαίτερες εκπτώσεις στην ακρίβεια (accuracy). Έχοντας πετύχει το classification με τα νευρωνικά δίκτυα που ανήκουν στην οικογένεια των MobileNet θα κάνουμε χρήση του Single Shot MultiBox Detector (SSD) για τον εντοπισμό (detection task). Ο συνδυασμός αυτών των δυο αναμένεται να δώσει ικανοποιητικά αποτέλεσμα στον εντοπισμό αυτοκινήτων και πεζών. Στη συνέχεια θα γίνει προσπάθεια εισαγωγής της παραπάνω υλοποίησης σε μία embedded συσκευή (raspberry pi) με σοβαρούς περιορισμούς σε υπολογιστικούς και αποθηκευτικούς πόρους ώστε να αξιολογηθεί περαιτέρω. Πέραν των προαναφερόμενων τεχνικών θα παρουσιαστούν και τα εργαλεία και συσκευές που θα χρησιμοποιηθούν για την υλοποίηση της εργασίας. | el |
| dc.description.translatedabstract | This Thesis focus on the design and the implementation of an automotive object detection solution for low end embedded devices in real time scenarios. We study and try to improve the outcome from the usage of specialized vision model for such devices. These models are Mobilenet V1, the improved Mobilenet V2 and the customized embedded Mobilenet. We also combine these base models with the Single Shot Detector (SSD) in order to achieve real time object detection. Moreover, we provide assessment of the input KITTI vision database. Finally, the two basic contributions are the base model with SSD model assessment and the IoT implementation of the solution using the Raspberry Pi | el |
| dc.identifier.uri | http://hdl.handle.net/10889/15768 | |
| dc.language.iso | gr | el |
| dc.subject | Αναγνώριση αντικειμένου | el |
| dc.subject | Μηχανική μάθηση | el |
| dc.subject | Συνελικτικά νευρωνικά δίκτυα | el |
| dc.subject | Ενσωματωμένες συσκευές | el |
| dc.subject | Όραση υπολογιστών | el |
| dc.subject.alternative | Machine learning | el |
| dc.subject.alternative | Deep learning | el |
| dc.subject.alternative | Convolutional neural networks | el |
| dc.subject.alternative | SSD | el |
| dc.subject.alternative | Object detection | el |
| dc.subject.alternative | Tensorflow | el |
| dc.subject.alternative | Raspberry Pi | el |
| dc.title | Συγκριτική μελέτη και υλοποίηση νευρωνικών δικτύων κατάλληλων για αναγνώριση αντικειμένων σε κινητές ή ενσωματωμένες συσκευές στα πλαίσια την αυτόνομης οδήγησης | el |
| dc.title.alternative | Comparative analysis and implementation of neutral networks for automotive object detection for lowend embedded devices | el |
| oaire.licenseCondition | null | el |