HEAL DSpace

Domain generalization in Robust vision transformers for semantic segmentation in autonomous driving

Αποθετήριο DSpace/Manakin

Εμφάνιση απλής εγγραφής

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


Αρχεία σε αυτό το τεκμήριο

Αυτό το τεκμήριο εμφανίζεται στην ακόλουθη συλλογή(ές)

Εμφάνιση απλής εγγραφής