Ανίχνευση λωρίδων και εφαρμογές : μια προσέγγιση βαθιάς μάθησης
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 επιλύσου...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/23660 |
| id |
nemertes-10889-23660 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-236602022-11-04T04:36:13Z Ανίχνευση λωρίδων και εφαρμογές : μια προσέγγιση βαθιάς μάθησης Lane detection and applications : a deep learning approach Τζανεττής, Νικόλαος Tzanettis, Nikolaos Υπολογιστική όραση Ανίχνευση λωρίδων Βαθιά μάθηση Computer vision Lane detection Deep learning 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. The evolution of technology in the automotive industry has increased dramatically over the last few years. More specifically, it has focused mainly on the development of computer vision algorithms that contribute to autonomous driving and the perception of the vehicle itself. One of the main problems that these algorithms try to solve are road lane and edge detection, in order to locate and control the position of the vehicle. Techniques like Hough Transform manages to successfully implement this task, as its ability to detect shapes and edges in two-dimensional space, contributes in the geometric interpretation of the image. Nevertheless, the flourishing of machine learning and in particular deep learning has allowed the development of much more efficient models on image processing. The aim of this diploma thesis is the research and development of deep learning algorithms with applications in computer vision in the automotive industry. It focuses on the investigation of semantic segmentation architectures to detect the lanes on the road and exploit it for a more efficient car control. In particular, we attempted to modify the semantic segmentation architecture Unet in order to produce a lighter model by a factor of 4.3, achieving satisfactory results. 2022-11-03T13:12:03Z 2022-11-03T13:12:03Z 2022-10-31 https://hdl.handle.net/10889/23660 el application/pdf image/gif |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Υπολογιστική όραση Ανίχνευση λωρίδων Βαθιά μάθηση Computer vision Lane detection Deep learning |
| spellingShingle |
Υπολογιστική όραση Ανίχνευση λωρίδων Βαθιά μάθηση Computer vision Lane detection Deep learning Τζανεττής, Νικόλαος Ανίχνευση λωρίδων και εφαρμογές : μια προσέγγιση βαθιάς μάθησης |
| description |
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. |
| author2 |
Tzanettis, Nikolaos |
| author_facet |
Tzanettis, Nikolaos Τζανεττής, Νικόλαος |
| author |
Τζανεττής, Νικόλαος |
| author_sort |
Τζανεττής, Νικόλαος |
| title |
Ανίχνευση λωρίδων και εφαρμογές : μια προσέγγιση βαθιάς μάθησης |
| title_short |
Ανίχνευση λωρίδων και εφαρμογές : μια προσέγγιση βαθιάς μάθησης |
| title_full |
Ανίχνευση λωρίδων και εφαρμογές : μια προσέγγιση βαθιάς μάθησης |
| title_fullStr |
Ανίχνευση λωρίδων και εφαρμογές : μια προσέγγιση βαθιάς μάθησης |
| title_full_unstemmed |
Ανίχνευση λωρίδων και εφαρμογές : μια προσέγγιση βαθιάς μάθησης |
| title_sort |
ανίχνευση λωρίδων και εφαρμογές : μια προσέγγιση βαθιάς μάθησης |
| publishDate |
2022 |
| url |
https://hdl.handle.net/10889/23660 |
| work_keys_str_mv |
AT tzanettēsnikolaos anichneusēlōridōnkaiepharmogesmiaprosengisēbathiasmathēsēs AT tzanettēsnikolaos lanedetectionandapplicationsadeeplearningapproach |
| _version_ |
1771297248115687424 |
