Μονοεικονική εκτίμηση βάθους χρησιμοποιώντας νευρωνικά μοντέλα (Master thesis)
Κουτσοπούλου, Αγγελική
Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Κουτσοπούλου, Αγγελική | |
| dc.date.accessioned | 2024-05-29T13:18:21Z | - |
| dc.date.available | 2024-05-29T13:18:21Z | - |
| dc.identifier.uri | http://195.251.240.227/jspui/handle/123456789/16596 | - |
| dc.description | Μεταπτυχιακή εργασία - Σχολή Μηχανικών - Τμήμα Μηχανικών Πληροφορικής και Ηλεκτρονικών Συστημάτων,2024 (α/α 14178) | el |
| dc.rights | Default License | - |
| dc.subject | BANet, DIODE, όραση υπολογιστή, συνελικτικά νευρωνικά δίκτυα, βαθιά μάθηση, KITTI, LapDepth, μηχανική μάθηση, εκτίμηση απόστασης με μία κάμερα, PixelFormer, Python | el |
| dc.subject | DIODE | el |
| dc.subject | Όραση υπολογιστή | el |
| dc.subject | Συνελικτικά νευρωνικά δίκτυα | el |
| dc.subject | Βαθιά μάθηση | el |
| dc.subject | Μηχανική μάθηση | el |
| dc.title | Μονοεικονική εκτίμηση βάθους χρησιμοποιώντας νευρωνικά μοντέλα | el |
| heal.type | masterThesis | - |
| heal.type.en | Master thesis | en |
| heal.generalDescription | Μεταπτυχιακή εργασία | el |
| heal.identifier.secondary | 14178 | - |
| heal.dateAvailable | 2024-05-29T13:19:21Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Σχολή Μηχανικών - Τμήμα Μηχανικών Πληροφορικής και Ηλεκτρονικών Συστημάτων | el |
| heal.publicationDate | 2024-04-16 | - |
| heal.bibliographicCitation | Κουτσοπούλου, Α. (2024). Μονοεικονική εκτίμηση βάθους χρησιμοποιώντας νευρωνικά μοντέλα (Μεταπτυχιακή εργασία).ΔΙΠΑΕ. | el |
| heal.abstract | Η εκτίμηση βάθους (depth estimation) είναι η διαδικασία υπολογισμού της απόστασης κάθε pixel από την κάμερα, η οποία είναι απαραίτητη για εργασίες όρασης υπολογιστή (computer vision), όπως η αυτόνομη οδήγηση, η Επαυξημένη Πραγματικότητα και η ρομποτική. Με την άνοδο της Μηχανικής Μάθησης, τα πρώτα μοντέλα εκτιμούσαν το βάθος με εικόνες από δύο κάμερες, όπως δύο μάτια. Αυτή η προσέγγιση απαιτούσε πρόσθετο εξοπλισμό και δεδομένα, για αυτό οι έρευνες έχουν στραφεί προς την εκτίμηση του βάθους με μία μόνο κάμερα. Στερείται στερεοσκοπικής όρασης, ωστόσο, και είναι, επομένως δύσκολο να εκτιμήσει με ακρίβεια το βάθος. Για να αντιμετωπίσουν αυτό το ζήτημα, οι επιστήμονες εφάρμοσαν διάφορες τεχνικές στα μοντέλα τους για να ανακτήσουν το βάθος. Η παρούσα διπλωματική εργασία συγκρίνει τα BANet, LapDepth και PixelFormer: τρία υπερσύγχρονα μοντέλα Βαθιάς Μάθησης με διαφορετικές αρχιτεκτονικές που εκτιμούν το βάθος από μία μόνο εικόνα. Στόχος είναι να εκπαιδευτούν από την αρχή σε ένα μεγάλο σύνολο δεδομένων και να γίνει σύγκριση των αποτελεσμάτων για τον καθορισμό του νικητή. Για αντικειμενική αξιολόγηση χρησιμοποιήθηκαν δύο διαφορετικά κριτήρια: SILog loss και RMSE. Επιπλέον, δύο ακόμη σύνολα δεδομένων κάνουν testing μέσω υποκειμενικής αξιολόγησης. Τα αποτελέσματα δείχνουν ότι το PixelFormer, με την πολύπλοκη αρχιτεκτονική του, εκτιμά το βάθος με μεγαλύτερη ακρίβεια μεταξύ των τριών μοντέλων. | el |
| heal.advisorName | Διαμαντάρας, Κωνσταντίνος | el |
| heal.committeeMemberName | Διαμαντάρας, Κωνσταντίνος | el |
| heal.academicPublisher | Σχολή Μηχανικών - Τμήμα Μηχανικών Πληροφορικής και Ηλεκτρονικών Συστημάτων | el |
| heal.academicPublisherID | ihu | - |
| heal.numberOfPages | 85 σελ. | - |
| heal.fullTextAvailability | true | - |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| Appears in Collections: | Μεταπτυχιακές Διατριβές | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Monocular depth estimation using deep neural models.pdf | Μεταπτυχιακή εργασία | 5.6 MB | Adobe PDF | View/Open |
Please use this identifier to cite or link to this item:
This item is a favorite for 0 people.
http://195.251.240.227/jspui/handle/123456789/16596
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
