Μονάδα:
Τμήμα Πληροφορικής & ΤηλεπικοινωνιώνΠληροφορική
Ημερομηνία κατάθεσης:
2019-07-12
Συγγραφέας:
ΣΑΚΚΑΣ ΒΑΣΙΛΕΙΟΣ
Στοιχεία επιβλεπόντων καθηγητών:
Δημήτριος Γουνόπουλος
Πρωτότυπος Τίτλος:
Deep Learning Techniques on Object Detection with Application on Vehicle Detection
Γλώσσες εργασίας:
Αγγλικά
Μεταφρασμένος τίτλος:
Τεχνικές Βαθιάς Μάθησης στον Εντοπισμό Αντικειμένων με Εφαρμογή στον Εντοπισμό Οχημάτων
Περίληψη:
Τα τελευταία χρόνια, έχουν σημειωθεί σημαντικές βελτιώσεις σε διάφορους τομείς της μηχανικής όρασης, όπως η αναγνώριση και ο εντοπισμός αντικειμένων, τόσο σε ακρίβεια όσο και σε απόδοση. Αυτή η βελτίωση μπορεί να αποδοθεί σε δύο παράγοντες, μεγάλα κατηγοριοποιημένα σύνολα εικόνων όπως το ImageNet που είναι διαθέσιμα τα τελευταία χρόνια, και η άνοδος των Συνελικτικών Νευρωνικών Δικτύων που μπορούν να επωφεληθούν από αυτά τα μεγάλα σύνολα δεδομένων και που έχουν ακρίβεια συγκρίσιμη με αυτήν ανθρώπων σε προβλήματα μηχανικής όρασης.
Στην παρούσα εργασία θα υλοποιήσουμε το VGGNet, ένα βαθύ Συνελικτικό Νευρωνικό Δίκτυο που υποβλήθηκε στο ImageNet Challenge 2014. Ειδικότερα, θα χρησιμοποιήσουμε δύο από τις μορφές του, VGG16 και VGG19, για να ανιχνεύσουμε και να παράγουμε πλαίσια οριοθέτησης για οχήματα που βρίσκονται σε εικόνες από CCTV υλικό. Θα περιγράψουμε την διαδικασία εκπαίδευσης των δύο Νευρωνικών Δικτύων, θα συγκρίνουμε δύο διαφορετικές μεθόδους για την παροχή πλαισίων στα δύο δίκτυα, τα Sliding Windows και την Selective Search και θα χρησιμοποιήσουμε δύο διαφορετικούς τρόπους για να δούμε πόσο καλά λειτουργεί το σύστημα ανίχνευσης αντικειμένων μας, ακρίβεια (Accuracy) και mean Average Precision.
Κύρια θεματική κατηγορία:
Τεχνολογία – Πληροφορική
Λέξεις-κλειδιά:
VGG-Net, Ανίχνευση Αντικειμένων, Συνελικτικά Νευρωνικά Δίκτυα, Επιλεκτική Αναζήτηση, Συρόμενα Παράθυρα, Επεξεργασία Εικόνας
Αρ. σελίδων ευρετηρίου:
5
Αρ. βιβλιογραφικών αναφορών:
19
