Κατηγοριοποίηση οδικών σημάτων με χρήση συνελικτικών νευρωνικών δικτύων βαθέων αρχιτεκτονικών
Η τεράστια εξέλιξη που έχουν γνωρίσει τα νευρωνικά δίκτυα τα τελευταία χρόνια, έχει οδηγήσει στην εισχωρή τους στην καθημερινότητα των ανθρώπων για διάφορες δραστηριότητες, κάποιες δευτερεύοντες και κάποιες πιο σημαντικές, που μάλιστα φέρουν ευθύνη και κρίση, όπως για παράδειγμα η οδήγηση. Είναι πολ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/16114 |
| id |
nemertes-10889-16114 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-161142022-09-05T09:40:23Z Κατηγοριοποίηση οδικών σημάτων με χρήση συνελικτικών νευρωνικών δικτύων βαθέων αρχιτεκτονικών Classification of traffic signs using convolutional neural networks of deep architectures Μυλωνίδης, Δημήτριος Mylonidis, Dimitrios Συνελικτικά δίκτυα Οδικές πινακίδες Νευρωνικά δίκτυα Υπολογιστική όραση Ανίχνευση Convolutional networks Yolo Traffic signs Neural networks Computer vision Detection Η τεράστια εξέλιξη που έχουν γνωρίσει τα νευρωνικά δίκτυα τα τελευταία χρόνια, έχει οδηγήσει στην εισχωρή τους στην καθημερινότητα των ανθρώπων για διάφορες δραστηριότητες, κάποιες δευτερεύοντες και κάποιες πιο σημαντικές, που μάλιστα φέρουν ευθύνη και κρίση, όπως για παράδειγμα η οδήγηση. Είναι πολύ σημαντικό για έναν οδηγό να έχει επίγνωση του περιβάλλοντος γύρω του, καθώς και να παρατηρεί για διάφορες οδηγίες ή απαγορεύσεις που δίνονται με εικονικά ερεθίσματα(πινακίδες, διαβάσεις κλπ.). Πολλές μεγάλες αυτοκινητοβιομηχανίες, οδεύοντας προς το μονοπάτι της αυτόματης οδήγησης, χρησιμοποιώντας αλγορίθμους μηχανικής μάθησης, αναπτύσσουν συστήματα υποβοήθησης του οδηγού, αυξάνοντας έτσι το επίπεδο ασφάλειας τόσο για αυτόν και τους επιβάτες, αλλά και για το περιβάλλον γύρω του. Ένα από τα πιο συνηθισμένα συστήματα είναι η ένδειξη οδικών πινακίδων που συναντώνται κατά την πορεία. Στην παρούσα διπλωματική θα εξετάσουμε σε λεπτομέρεια συστήματα συνελικτικών νευρωνικών δικτύων, την μεθοδολογία τους και τον τρόπου που ανιχνεύουν και κατηγοριοποιούν αντικείμενα, καθώς και θα υλοποιήσουμε ένα τέτοιο σύστημα ανίχνευσης και κατηγοριοποίησης οδικών πινακίδων χρησιμοποιώντας μιας από τις πιο διαδεδομένες αρχιτεκτονικές, το Yolov3. The rapid advance of neural networks during the past years, has led to their infiltration in the daily lives of people, for numerous tasks. One the most major tasks that also bears a level of responsibilty is driving. It’s very important for a driver to have awareness of its surrounding environment and also to notice every optical directive or prohibitive directions that exist around him (traffic signs, lights etc.). Many automobile companies, trying to reach the goal of self-driving, they use machine learning algorithms to develop driver-assistance systems, increasing the level of safety for the driver and the passengers, but also for its surroundings as well. One of the most common driver-assistance systems are traffic sign indicators. Their primary role is to notify the driver for any traffic signs around him. In this project we’re going to examine in detail convolutional neural network systems and their methodology, and also we’re going to create a traffic sign detector and classifier, using one of the most high-end convolutional neural networks, Yolov3. 2022-03-18T09:14:14Z 2022-03-18T09:14:14Z 2022-03-17 http://hdl.handle.net/10889/16114 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Συνελικτικά δίκτυα Οδικές πινακίδες Νευρωνικά δίκτυα Υπολογιστική όραση Ανίχνευση Convolutional networks Yolo Traffic signs Neural networks Computer vision Detection |
| spellingShingle |
Συνελικτικά δίκτυα Οδικές πινακίδες Νευρωνικά δίκτυα Υπολογιστική όραση Ανίχνευση Convolutional networks Yolo Traffic signs Neural networks Computer vision Detection Μυλωνίδης, Δημήτριος Κατηγοριοποίηση οδικών σημάτων με χρήση συνελικτικών νευρωνικών δικτύων βαθέων αρχιτεκτονικών |
| description |
Η τεράστια εξέλιξη που έχουν γνωρίσει τα νευρωνικά δίκτυα τα τελευταία χρόνια, έχει οδηγήσει στην εισχωρή τους στην καθημερινότητα των ανθρώπων για διάφορες δραστηριότητες, κάποιες δευτερεύοντες και κάποιες πιο σημαντικές, που μάλιστα φέρουν ευθύνη και κρίση, όπως για παράδειγμα η οδήγηση. Είναι πολύ σημαντικό για έναν οδηγό να έχει επίγνωση του περιβάλλοντος γύρω του, καθώς και να παρατηρεί για διάφορες οδηγίες ή απαγορεύσεις που δίνονται με εικονικά ερεθίσματα(πινακίδες, διαβάσεις κλπ.). Πολλές μεγάλες αυτοκινητοβιομηχανίες, οδεύοντας προς το μονοπάτι της αυτόματης οδήγησης, χρησιμοποιώντας αλγορίθμους μηχανικής μάθησης, αναπτύσσουν συστήματα υποβοήθησης του οδηγού, αυξάνοντας έτσι το επίπεδο ασφάλειας τόσο για αυτόν και τους επιβάτες, αλλά και για το περιβάλλον γύρω του. Ένα από τα πιο συνηθισμένα συστήματα είναι η ένδειξη οδικών πινακίδων που συναντώνται κατά την πορεία. Στην παρούσα διπλωματική θα εξετάσουμε σε λεπτομέρεια συστήματα συνελικτικών νευρωνικών δικτύων, την μεθοδολογία τους και τον τρόπου που ανιχνεύουν και κατηγοριοποιούν αντικείμενα, καθώς και θα υλοποιήσουμε ένα τέτοιο σύστημα ανίχνευσης και κατηγοριοποίησης οδικών πινακίδων χρησιμοποιώντας μιας από τις πιο διαδεδομένες αρχιτεκτονικές, το Yolov3. |
| author2 |
Mylonidis, Dimitrios |
| author_facet |
Mylonidis, Dimitrios Μυλωνίδης, Δημήτριος |
| author |
Μυλωνίδης, Δημήτριος |
| author_sort |
Μυλωνίδης, Δημήτριος |
| title |
Κατηγοριοποίηση οδικών σημάτων με χρήση συνελικτικών νευρωνικών δικτύων βαθέων αρχιτεκτονικών |
| title_short |
Κατηγοριοποίηση οδικών σημάτων με χρήση συνελικτικών νευρωνικών δικτύων βαθέων αρχιτεκτονικών |
| title_full |
Κατηγοριοποίηση οδικών σημάτων με χρήση συνελικτικών νευρωνικών δικτύων βαθέων αρχιτεκτονικών |
| title_fullStr |
Κατηγοριοποίηση οδικών σημάτων με χρήση συνελικτικών νευρωνικών δικτύων βαθέων αρχιτεκτονικών |
| title_full_unstemmed |
Κατηγοριοποίηση οδικών σημάτων με χρήση συνελικτικών νευρωνικών δικτύων βαθέων αρχιτεκτονικών |
| title_sort |
κατηγοριοποίηση οδικών σημάτων με χρήση συνελικτικών νευρωνικών δικτύων βαθέων αρχιτεκτονικών |
| publishDate |
2022 |
| url |
http://hdl.handle.net/10889/16114 |
| work_keys_str_mv |
AT mylōnidēsdēmētrios katēgoriopoiēsēodikōnsēmatōnmechrēsēsyneliktikōnneurōnikōndiktyōnbatheōnarchitektonikōn AT mylōnidēsdēmētrios classificationoftrafficsignsusingconvolutionalneuralnetworksofdeeparchitectures |
| _version_ |
1771297177694371840 |
