Ανάπτυξη διαδικασίας αναγνώρισης και παρακολούθησης αντικειμένων από εναέριες εικόνες (UAV-ΣμηΕΑ) με τη βοήθεια νευρωνικών δικτύων

Αραπέλλης, Οδυσσέας; Arapellis, Odysseas

dc.contributor.author	Αραπέλλης, Οδυσσέας	el
dc.contributor.author	Arapellis, Odysseas	en
dc.date.accessioned	2021-12-06T08:07:28Z
dc.date.available	2021-12-06T08:07:28Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54136
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21834
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική”	el
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Εντοπισμός και αναγνώριση αντικειμένων	el
dc.subject	Παρακολούθηση αντικειμένων	el
dc.subject	Μη επανδρωμένα συστήματα αεροσκαφών	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Object detection and recognition	en
dc.subject	Object tracking	en
dc.subject	UAV / Drone	en
dc.subject	Artifiacial Neural Networks	en
dc.subject	Convolutional neural network	en
dc.title	Ανάπτυξη διαδικασίας αναγνώρισης και παρακολούθησης αντικειμένων από εναέριες εικόνες (UAV-ΣμηΕΑ) με τη βοήθεια νευρωνικών δικτύων	el
dc.title	Development of object detection, recognition, and tracking process on aerial images (UAV) utilizing neural networks	en
heal.type	masterThesis
heal.classification	Όραση υπολογιστών	el
heal.classification	Φωτογραμμετρία	el
heal.classification	Βαθιά μάθηση	el
heal.classification	Τεχνητή νοημοσύνη	el
heal.classification	Computer vision	en
heal.classification	Deep learning	en
heal.classification	Photogrammetry	en
heal.classification	Artificial intelligence	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-02
heal.abstract	Η διπλωματική αυτή εξετάζει την δυνατότητα των τεχνικών νευρωνικών δικτύων, συγκεκριμένα με εφαρμογή συνελικτικών νευρωνικών δικτύων, για τον εντοπισμό, αναγνώριση και παρακολούθηση αντικειμένων μέσα από εναέριες εικόνες που έχουν ληφθεί από μη επανδρωμένα αεροσκάφη (Unmanned Air Vehicle – UAV). Τα αντικείμενα που αναγνωρίζονται και παρακολουθούνται στη παρούσα εργασία είναι οχήματα. Επιπρόσθετα, επιχειρείται να δημιουργηθεί μια τελική ολοκληρωμένη εφαρμογή που εκτελεί τα παραπάνω σε πραγματικό χρόνο μέσω ζωντανής μετάδοσης βίντεο από UAV. Η εφαρμογή αυτή αποδεικνύεται ότι είναι ιδιαίτερα χρήσιμη σε διάφορους τομείς, πολιτικούς και στρατιωτικούς, όπως της ασφάλειας, της αστυνόμευσης, της συγκοινωνιολογίας, του οδικού σχεδιασμού, της έρευνας και διάσωσης. Σήμερα, παρά ποτέ, οι τεχνολογικές εξελίξεις στον τομέα της Τεχνητής Νοημοσύνης είναι ραγδαίες. Αποτελεί κοινό τόπο πως οι «έξυπνες» εφαρμογές, οι «έξυπνες» πόλεις, οι «έξυπνες» συσκευές, αλλά και προηγμένα συστήματα τα οποία ενέχουν «ευφυΐα», συναντώνται στην σύγχρονη καθημερινότητα. Ένα από τα κοινά χαρακτηριστικά αυτών, είναι η δυνατότητα αναγνώρισης του περιβάλλοντος, όπου επιτυγχάνεται με την ανίχνευση και αναγνώριση των αντικειμένων που υπάρχουν στο χώρο μέσω αισθητήρων. Οι τεχνικές βαθιάς μηχανικής μάθησης (deep learning) υπήρξαν καθοριστικές και ανατρεπτικές στη μηχανική μάθηση, υποτομέα της Τεχνητής Νοημοσύνης, και ειδικότερα στην όραση υπολογιστών. Τα μοντέλα βαθιάς μάθησης έχουν «εκτοπίσει» τις πιο παραδοσιακές μεθόδους και αποτελούν μονόδρομο στην ανίχνευση, αναγνώριση και παρακολούθηση πολύπλοκων δομών και αντικειμένων σε εικόνες. Στο κεφάλαιο 1, λοιπόν, παρουσιάζεται ο σκοπός της παρούσας εργασίας, οι σύγχρονες State-of-the-Art μέθοδοι που ακολουθούνται, καθώς και συνοπτικά ιστορικά και εισαγωγικά στοιχεία για τους τομείς των Τεχνητής Νοημοσύνης, Μηχανικής Μάθησης και Τεχνητών Νευρωνικών Δικτύων. Στο κεφάλαιο 2, τα Τεχνητά Νευρωνικά Δίκτυα προσεγγίζονται από μαθηματική σκοπιά. Για το λόγω αυτό αναφέρονται όλα τα απαραίτητα μαθηματικά εργαλεία, όπως Γραμμική, Λογαριθμική Παλινδρόμηση, ώστε τα Τεχνητά Νευρωνικά Δίκτυα να γίνουν σε βάθος κατανοητά. Εφόσον, έγιναν κατανοητά ο τρόπος δημιουργίας και λειτουργίας αυτών, στο κεφάλαιο 3 παρουσιάζονται τα Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks – CNN’s), τα οποία είναι τα πλέον κατάλληλα για τον εντοπισμό και αναγνώριση αντικειμένων σε εικόνες. Διαβάζοντας το κεφάλαιο 3, είναι εύκολο κανείς να καταλάβει πως τα μοντέλα CNN είναι πολλά. Για το λόγο αυτό στο κεφάλαιο 4 περιγράφεται το ιστορικό αλλά και ο τρόπος λειτουργίας του State-of-the-Art μοντέλου YOLO, το οποίο και εφαρμόζεται για εντοπισμό και αναγνώριση αντικειμένων σε μια εικόνα στο πλαίσιο της παρούσας. Πολλές φορές μετά την αναγνώριση και τον εντοπισμό ενός αντικειμένου, απαιτείται και η παρακολούθησή του. Εν αντιθέσει με πιο παραδοσιακές προσεγγίσεις, σήμερα σύγχρονες τεχνικές παρακολούθησης αντικειμένων στηρίζουν την λειτουργία τους σε μοντέλα Νευρωνικών Δικτύων. Στο κεφάλαιο 5, παρουσιάζεται και επεξηγείτε ένας σύγχρονος αλγόριθμος παρακολούθησης, που εφαρμόζεται στο πλαίσιο της παρούσας, και αυτός είναι ο DeepSort. Έχοντας πλήρως κατανοήσει όλα αυτά τα εργαλεία στο κεφάλαιο 6 παρουσιάζεται η ολοκληρωμένη εφαρμογή εντοπισμού, αναγνώρισης και παρακολούθησης αντικειμένων μέσα από εναέριες εικόνες που έχουν ληφθεί από μη επανδρωμένα αεροσκάφη (Unmanned Air Vehicle – UAV). Προφανώς, ο Yolo και ο DeepSort είναι οι αλγόριθμοι που υλοποιούν την εφαρμογή αυτή, τα αποτελέσματα της οποίας παρουσιάζονται στο Κεφάλαιο 7.	el
heal.abstract	This thesis examines the feasibility of technical neural networks, in particular by applying convolutional neural networks (CNN’s), to locate, identify and track objects through aerial images taken by unmanned aerial vehicles (UAVs). The objects identified and tracked herein are vehicles. In addition, an attempt is made to create a holistic integrated application that performs the above in real-time via live video streaming from UAV. This application is proving to be particularly useful in various fields, both civil and military, such as security, policing, transportation, road planning, search and rescue. Today, more than ever, technological developments in the field of Artificial Intelligence are rapid. It is common that "smart" applications, "smart" cities, "smart" devices, but also advanced systems that involve "intelligence", are found in modern-day life. One of their common features is recognizing the environment, where it is achieved by detecting and recognizing objects that exist in it through sensors. Deep “machine” learning techniques have been crucial and subversive in machine learning, sub-sector of Artificial Intelligence. Deep learning models have "displaced" traditional methods and they are the most suitable technique to detect, identify and track complex structures and objects in images. Chapter 1, therefore, presents the purpose of this thesis and also the modern State-of-the-Art methods in the fields of object detection and tracking. Furthermore, brief historical and introductory data for the fields of Artificial Intelligence, Machine Learning, and Artificial Neural Networks. In Chapter 2, Artificial Neural Networks are approached from a mathematical point of view. For this reason, all the necessary mathematical tools are mentioned, such as Linear and Logarithmic Regression, so that the Artificial Neural Networks can be deeply understood. Once you have understood how to create and operate them, Chapter 3 presents the Convolutional Neural Networks (CNN’s), which are the most suitable for locating and recognizing objects in images. By reading Chapter 3, it is easy to understand that there are many CNN models. For this reason, Chapter 4 describes the history and mode of operation of the State-of-the-Art model YOLO, which is applied to locate and recognize objects in an image in the context of this thesis. Many times after identifying and recognizing an object, its monitoring is required. In contrast to more traditional approaches, today's modern object tracking techniques base their operation on Neural Network models. Chapter 5 presents and explains a modern tracking algorithm, applied in this context, and that is DeepSort. Having fully understood all these tools, Chapter 6 presents the complete application for locating, recognizing, and tracking objects through aerial images taken by unmanned aircraft (UAV). Obviously, Yolo and DeepSort are the algorithms that implement this application, the results of which are presented in Chapter 7.	en
heal.advisorName	Γεωργόπουλος, Ανδρέας	el
heal.committeeMemberName	Γεωργόπουλος, Ανδρέας	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Πατεράκη, Μαρία	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	123 σ.	el
heal.fullTextAvailability	false