| Περίληψη: | Η εξέλιξη της τεχνολογίας στην αυτοκινητοβιομηχανία έχει αυξηθεί δραματικά τα τελευταία
χρόνια. Σημαντική είναι η προσφορά αλγορίθμων υπολογιστικής όρασης οι οποίοι συμβάλλουν
στην αυτόνομη οδήγηση και στην αντίληψη του ίδιου του οχήματος. ΄Ενα από τα βασικότερα
προβλήματα που προσπαθούν να επιλύσουν οι αλγόριθμοι αυτοί, είναι η ανίχνευση των λωρίδων
αλλά και των διαφόρων ακμών που βρίσκονται πάνω στον δρόμο, με σκοπό τον εντοπισμό αλλά
και τον έλεγχο της θέσης του οχήματος. Τεχνικές όπως η Hough Transform καταφέρνουν να
υλοποιήσουν με επιτυχία το συγκεκριμένο έργο, καθώς η ικανότητά της να ανιχνεύει σχήματα
και ακμές στον δυσδιάστατο χώρο συμβάλει στη γεωμετρική ερμηνεία της εικόνας. Παρ΄ όλα
αυτά, η άνθιση της μηχανικής μάθησης και ειδικότερα της βαθιάς μάθησης, έχει επιτρέψει την
ανάπτυξη πολύ αποδοτικότερων μοντέλων πάνω στην επεξεργασία εικόνας. Η συγκεκριμένη
εργασία στοχεύει στην έρευνα και στην ανάπτυξη αλγορίθμων βαθιάς μάθησης με εφαρμογές στην υπολογιστική όραση στον τομέα της αυτοκινητοβιομηχανίας. Επικεντρώνεται στη
διερεύνηση αρχιτεκτονικών σημασιολογικής τμηματοποίσης με σκοπό την ανίχνευση των λωρίδων πάνω στο δρόμο και την εκμετάλευσή της στον αποδοτικότερο έλεγχο του αυτοκινήτου.
Ειδικότερα, επιχειρήσαμε να τροποποιήσουμε την αρχιτεκτονική σημασιολογικής τμηματοποίησης Unet με σκοπό την παραγωγή ενός κατά 4.3 φορές μικρότερου σε μέγεθος μοντέλου,
πετυχαίνοντας ικανοποιητικά αποτελέσματα.
|
|---|
