Αναγνώριση αντικειμένων σε εναέρια υψηλής ανάλυσης δεδομένα βίντεο με συνελικτικά νευρωνικά δίκτυα

Βασίλη, Κωνσταντίνος; Vasili, Konstantinos

dc.contributor.author	Βασίλη, Κωνσταντίνος	el
dc.contributor.author	Vasili, Konstantinos	en
dc.date.accessioned	2019-03-29T08:19:26Z
dc.date.available	2019-03-29T08:19:26Z
dc.date.issued	2019-03-29
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/48535
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15630
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Όραση υπολογιστών	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Ταξινόμηση εικόνας	el
dc.subject	Βίντεο	el
dc.subject	Computer vision	en
dc.subject	Neural networks	en
dc.subject	Object detection	en
dc.subject	Image classification	en
dc.subject	Video data	en
dc.title	Αναγνώριση αντικειμένων σε εναέρια υψηλής ανάλυσης δεδομένα βίντεο με συνελικτικά νευρωνικά δίκτυα	el
dc.title	Object detection from high resolution aerial video data with CNNs	en
heal.type	bachelorThesis
heal.generalDescription	χρήση μεθόδων deep learning για αναγνώριση μικρών αντικειμένων και αξιολόγηση των μεθόδων με αυτόματη εξαγωγή ποσοτικών δεικτών αξιολόγησης	el
heal.classification	computer vision	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2018-10-10
heal.abstract	Αναγνώριση αντικειμένων σε δεδομένα βίντεο τα οποία έχουν ληφθεί με εναέρια μέσα με τη χρήση συνελικτικών νευρωνικών δικτύων	el
heal.abstract	As technology and the capabilities of UAVs continually increa se , data analysis and automated information extraction is imperative for a variety of geospatial, environmental and other app lications. In this diploma thesis, the most well - known deep learning methods for object detection from aerial means were studied, applied and evaluated . The data used consists of relatively high - resolution video s from the Stanford Drone Dataset collection, which includes a large number of different scenes in the university's campus. After some initial experiments, two recent techniques which had achieved high detection accuracy in well - known images collections for Computer Vision were selected . In particula r, the 'Faster R - CNN' and 'YoLo' method s for detecting and identifying objects in the 'Stanford Drone Dataset' w ere selected, studied and programmatically fine tuned. An algorithm in Python was developed, one for each method, for automatically extracting q uality indices i n order to compare the results . Βased on the results of the qualitative and quantitative evaluation , the 'Faster R - CNN' method was selected for further experimentation and analysis. In particular, a new set of experiments, fine - tuning and evaluation was carried out in order to determin e the possibility of generalizing the efficiency of the method over a large data range with significant variance in brightness, spatial resolution and detection difficulties	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.committeeMemberName	Γεωργόπουλος, Ανδρέας	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	100 σ.
heal.fullTextAvailability	true