Αναγνώριση και αποφυγή οδικών εμποδίων με χρήση εικόνας και μηχανικής μάθησης (Bachelor thesis)

Νικολάου, Πόπης


Full metadata record
DC FieldValueLanguage
dc.contributor.authorΝικολάου, Πόπηςel
dc.date.accessioned2020-04-30T15:09:11Z-
dc.date.available2020-04-30T15:09:11Z-
dc.identifier.urihttp://195.251.240.227/jspui/handle/123456789/11906-
dc.descriptionΠτυχιακή εργασία--ΣΤΕΦ-Τμήμα Μηχανικών Πληροφορικής, 2018—10038el
dc.rightsDefault License-
dc.subjectμηχανική μάθησηel
dc.subjectαποφυγή οδικών εμποδίωνel
dc.subjectαναγνώριση οδικών εμποδίωνel
dc.subjectχρήση εικόναςel
dc.subjectDeep Learningen
dc.subjectCUDAen
dc.subjectTensorflowen
dc.subjectSqueezeDeen
dc.subject.lcshΜηχανική μάθησηel
dc.subject.lcshΣυστήματα αναγνώρισης προτύπωνel
dc.subject.lcshΌραση μέσω υπολογιστήel
dc.subject.lcshΟδήγηση αυτοκινήτουel
dc.titleΑναγνώριση και αποφυγή οδικών εμποδίων με χρήση εικόνας και μηχανικής μάθησηςel
heal.typebachelorThesis-
heal.type.enBachelor thesisen
heal.contributorNameΝικολάου, Πόπηςel
heal.identifier.secondary10038-
heal.dateAvailable2020-04-30T15:10:11Z-
heal.languageel-
heal.accessfree-
heal.recordProviderΣχολή Τεχνολογικών Εφαρμογών / Τμήμα Μηχανικών Πληροφορικήςel
heal.publicationDate2018-09-21-
heal.bibliographicCitationΝικολάου, Π. (2018). Αναγνώριση και αποφυγή οδικών εμποδίων με χρήση εικόνας και μηχανικής μάθησης (Πτυχιακή εργασία). Αλεξάνδρειο ΤΕΙ, Θεσσαλονίκη.el
heal.abstractΣε αυτή την πτυχιακή εργασία θα μιλήσουμε για την μηχανική μάθηση και πώς αυτή έχει βοηθήσει και συνεχίζει να βοηθάει στην επιστήμη των υπολογιστών. Ξεκινώντας θα αναφερθούμε στην αυτόνομη οδήγηση, στα οφέλη που έχει καθώς και στις κατηγορίες αυτόνομης οδήγησης που υπάρχουν. Έπειτα θα γίνει μια εισαγωγή στην μηχανική μάθηση, την διαδικασία που ακολουθείται, θα αναφέρουμε τα μοντέλα μηχανικής μάθησης που υπάρχουν και θα ασχοληθούμε με ένα από αυτά, το Deep Learning, το οποίο χρησιμοποιήθηκε για την εκπόνηση της συγκεκριμένης πτυχιακής. Θα συνεχίσουμε με την παράλληλη επεξεργασία, το πώς βοηθά στην επιτάχυνση των υπολογισμών των προγραμμάτων και θα αναφέρουμε τις δύο βασικές βιβλιοθήκες παράλληλης επεργασίας που χρησιμοποιήθηκαν, τις βιβλιοθήκες CUDA και Tensorflow. Στο τέταρτο κεφάλαιο θα γίνει περιγραφή του συνόλου δεδομένων που χρησιμοποιήθηκε και του συνελικτικού δικτύου SqueezeDet που χρησιμοποιήθηκε για τον εντοπισμό αντικειμένων σε δεδομένα εικόνων. Εκτός από το SqueezeDet θα γίνει και μια αναφόρα σε εναλλακτικές μεθόδους που αποσκοπούν στον εντοπισμό αντικειμένων σε εικόνες. Τέλος θα δούμε τα αποτελέσματα που λήφθηκαν από την εκτέλεση της πτυχιακής και θα αναφερθούν τα συμπεράσματα που λήφθηκαν κατά την διάρκεια εκπόνησής τηςel
heal.abstractIn this thesis we will talk about machine learning and how it has helped and continues to help in computer science. At first we will refer to autonomous driving, the benefits that it has and the levels of autonomous driving. Then there will be an introduction to machine learning, the following process, we will mention the categories of machine learning and we will deal with one of them, the Deep Learning one, which was used for the development of this thesis. We will go on with parallel processing, how it helps in speeding up calculations and we will mention the two parallel processing libraries that were used, CUDA and Tensorflow. The fourth chapter will describe the data set that was used, and the convolutional neural network SqueezeDet, which detects objects in image data. Finally, we will look at the results obtained from the completion of this thesis and the conclusions drawn during it’s preparationen
heal.advisorNameΔιαμαντάρας, Κωνσταντίνοςel
heal.committeeMemberNameΔιαμαντάρας, Κωνσταντίνος-
heal.academicPublisherΤμήμα Μηχανικών Πληροφορικήςel
heal.academicPublisherIDteithe-
heal.numberOfPages60-
heal.fullTextAvailabilitytrue-
heal.type.elΠροπτυχιακή/Διπλωματική εργασίαel
Appears in Collections:Πτυχιακές Εργασίες

Files in This Item:
File Description SizeFormat 
NIkolaou.P.pdf2.68 MBAdobe PDFView/Open



 Please use this identifier to cite or link to this item:
http://195.251.240.227/jspui/handle/123456789/11906
  This item is a favorite for 0 people.

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.