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

Τζόκας, Γεώργιος; Tzokas, Georgios

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