dc.contributor.author |
Τζόκας, Γεώργιος
|
el |
dc.contributor.author |
Tzokas, Georgios
|
en |
dc.date.accessioned |
2025-03-28T08:37:33Z |
|
dc.date.available |
2025-03-28T08:37:33Z |
|
dc.identifier.uri |
https://dspace.lib.ntua.gr/xmlui/handle/123456789/61513 |
|
dc.identifier.uri |
http://dx.doi.org/10.26240/heal.ntua.29209 |
|
dc.rights |
Default License |
|
dc.subject |
Νευρωνικά ∆ίκτυα |
el |
dc.subject |
Βαθιά Μάθηση |
el |
dc.subject |
Κατάτµηση Εικόνας |
el |
dc.subject |
Γενίκευση Πεδίου |
el |
dc.subject |
Αυτόνοµα Οχήµατα |
el |
dc.subject |
Σηµασιολογική Τµηµατοποίηση Πραγµατικού Χρόνου |
el |
dc.subject |
Neural Networks |
en |
dc.subject |
Autonomous Vehicles |
en |
dc.subject |
Image Segmentation |
en |
dc.subject |
Domain Generalization |
en |
dc.subject |
Deep Learning |
en |
dc.subject |
Real-Time Semantic Segmentation |
en |
dc.title |
Domain generalization in Robust vision transformers for semantic segmentation in autonomous driving |
en |
heal.type |
bachelorThesis |
|
heal.classification |
Computer Science |
en |
heal.language |
en |
|
heal.access |
free |
|
heal.recordProvider |
ntua |
el |
heal.publicationDate |
2024-10-25 |
|
heal.abstract |
Η ταχεία πρόοδος της τεχνητής νοημοσύνης έχει οδηγήσει στην ευρεία υιοθέτηση της βαθιάς μάθησης σε σύγχρονες εφαρμογές. Η όραση υπολογιστών έχει επωφεληθεί ιδιαίτερα με εξαιρετικά αποτελεσματικά μοντέλα να χρησιμοποιούνται πλέον σε εφαρμογές πραγματικού χρόνου. Μία από αυτές τις εφαρμογές είναι η σημασιολογική κατάτμηση για την αυτόνομη οδήγηση, η οποία επιτρέπει στα αυτόνομα οχήματα να αποκτήσουν λεπτομερή κατανόηση του περιβάλλοντός, επιτρέποντάς τα να λαμβάνουν τεκμηριωμένες αποφάσεις σε πραγματικό χρόνο. Για τέτοιες εφαρμογές, είναι ζωτικής σημασίας τα μοντέλα να διατηρούν υψηλό επίπεδο ακρίβειας σε ποικίλες περιβαλλοντικές συνθήκες και να λειτουργούν σε πραγματικό χρόνο. Υπάρχουν όμως διάφορα προβλήματα που εμποδίζουν την δημιουργία μοντέλων που πληρούν τις παραπάνω προϋποθέσεις. Τα προβλήματα αυτά αφορούν τον αριθμό και την ποικιλία των δεδομένων εκπαίδευσης, την πολυπλοκότητα των πραγματικών συνθηκών καθώς και τις υπολογιστικές απαιτήσεις των αρχιτεκτονικών που αξιοποιούνται. Στόχος αυτής της διπλωματικής ήταν η ανάπτυξη ενός μοντέλου που αξιοποιεί την ανθεκτικότητα των transformer κωδικοποιητών, αυξάνοντας όμως την αποδοτικότητα του μοντέλου σε σύγκριση με τις state of the artαρχιτεκτονικές γενίκευσης. Για να δείξουμε ότι το μοντέλο δεν υστερεί σε ακρίβεια πραγματοποιήσαμε ένα πείραμα γενίκευσης σε σύγκριση με ανθεκτικά μοντέλα και μία αρχιτεκτονική πραγματικού χρόνου. Επιπλέον, πραγματοποιήθηκαν και δύο πειράματα σε άλλα πεδία γνώσης για να φανεί ότι οι δυνατότητες των μοντέλων αυτών δεν περιορίζονται στην αυτόνομη οδήγηση. |
el |
heal.advisorName |
Tzouveli, Paraskevi
|
en |
heal.advisorName |
Voulodimos, Athanasios
|
en |
heal.committeeMemberName |
Stamou, Giorgos
|
en |
heal.committeeMemberName |
Voulodimos, Athanasios
|
en |
heal.committeeMemberName |
Σταφυλοπάτης, Ανδρέας-Γεώργιος |
el |
heal.academicPublisher |
Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών |
el |
heal.academicPublisherID |
ntua |
|
heal.numberOfPages |
85 σ. |
el |
heal.fullTextAvailability |
false |
|