Ανίχνευση Οχημάτων από ϕωτογϱαφίες μη
επανδϱωμένων αεϱοσκαφών

Ιωαννίδης, Νίκος; Ioannidis, Nikos

dc.contributor.author	Ιωαννίδης, Νίκος	el
dc.contributor.author	Ioannidis, Nikos	en
dc.date.accessioned	2025-09-15T11:10:29Z
dc.date.available	2025-09-15T11:10:29Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62449
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30145
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Vehicle Detection	en
dc.subject	Computer Vision	en
dc.subject	Object Detection	en
dc.subject	Deep Learning	en
dc.subject	Machine Learning	en
dc.subject	Βαθιά Μάθηση	el
dc.subject	Ανίχνευση Αντικειμένων	el
dc.subject	Εντοπισμός Οχημάτων	el
dc.subject	Όραση Υπολογιστών	el
dc.subject	Μηχανική Μάθηση	el
dc.title	Ανίχνευση Οχημάτων από ϕωτογϱαφίες μη επανδϱωμένων αεϱοσκαφών	el
heal.type	masterThesis
heal.classification	Machine Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-27
heal.abstract	Η ανίχνευση αντικειμένων σε εναέριες εικόνες υψηλής ανάλυσης παρουσιάζει προκλήσεις λόγω του μικρού μεγέθους των αντικειμένων και της υψηλής υπολογιστικής πολυπλοκότη- τας. Η παρούσα εργασία διερευνά την απόδοση διαφόρων μοντέλων ϐαθιάς μάθησης για την ανίχνευση οχημάτων χρησιμοποιώντας το σύνολο δεδομένων pNEUMA Vision και το PyTorch. Συγκεκριμένα, εκπαιδεύτηκαν και αξιολογήθηκαν τα μοντέλα Faster R-CNN YOLOv8 και RetinaNet. Τα αποτελέσματα έδειξαν ότι το YOLOv8 υπερέχει σε ταχύτητα ανίχνευσης, καθιστώντας το κατάλληλο για εφαρμογές πραγματικού χϱόνου, ενώ το Faster R-CNN επιτυγχάνει υψη- λότερη ακρίβεια αλλά μικρότερη ταχύτητα και τέλος το RetinaNet παρότι είναι ταχύτερο από το Faster R-CNN έχει την μικρότερη ακρίβεια από τα άλλα 2 . Οι μετρήσεις περιλάμβαναν Mean Average Precision (mAP) , χϱόνο εκτέλεσης και κατηγοριοποίηση οχημάτων ανάλογα τον τύπο σε αυτοκίνητα,μοτοσυκλέτες,ταξι,λεοφοϱεία και μεσαίου/μεγάλου μεγέθους οχήματα. Τα ευρήματα αυτής της εργασίας υπογραμμίζουν τη σημασία της επιλογής του κατάλληλου μοντέλου ανάλογα με την εφαρμογή, ενώ ανοίγουν δϱόμους για περαιτέρω ϐελτιστοποίηση και ανάπτυξη περαιτέρων εφαρμογών ϐασισμένα στην ανίχνευση οχημάτων από UAVs.	el
heal.advisorName	Βλαχογιάννη, Ελένη	el
heal.committeeMemberName	Βλαχογιάννη, Ελένη	el
heal.committeeMemberName	Γκιοτσαλίτης, Κωνσταντίνος	el
heal.committeeMemberName	Ελεονόϱα, Παπαδημητϱίου	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false