Σημασιολογική κατάτμηση νέφους σημείων σε ημι-αστική περιοχή με έμφαση στον εντοπισμό στεγών μέσω χρήσης μοντέλου μηχανικής μάθησης

Γκέκος- Γκεκόπουλος, Ιωάννης; Gkekos-Gkekopoulos, Ioannis

dc.contributor.author	Γκέκος- Γκεκόπουλος, Ιωάννης	el
dc.contributor.author	Gkekos-Gkekopoulos, Ioannis	en
dc.date.accessioned	2026-09-02T05:56:44Z
dc.date.available	2026-09-02T05:56:44Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/65666
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.33360
dc.rights	Default License
dc.subject	Photogrammetry	en
dc.subject	Deep learning	el
dc.subject	Computer vision	el
dc.subject	Semantic segmentation	el
dc.subject	LiDAR	el
dc.subject	Σημασιολογική κατάτμηση	el
dc.subject	Φωτογραμμετρία	el
dc.subject	Όραση υπολογιστών	el
dc.subject	Κατανόηση 3D σκηνής	el
dc.subject	Νευρωνικά δίκτυα	el
dc.title	Σημασιολογική κατάτμηση νέφους σημείων σε ημι-αστική περιοχή με έμφαση στον εντοπισμό στεγών μέσω χρήσης μοντέλου μηχανικής μάθησης	el
dc.contributor.department	Φωτογραμμετρίας	el
heal.type	bachelorThesis
heal.classification	Computer vision	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2026
heal.abstract	Στην παρούσα διπλωματική εργασία διερευνήθηκαν οι δυνατότητες της βαθιάς μάθησης (deep learning) στην σημασιολογική κατάτμηση τρισδιάστατου νέφους σημείων που αποτελεί μια διαδικασία υπολογιστικής όρασης (computer vision). Για τον σκοπό αυτό αξιοποιήθηκε το ευρετήριο “Pointcept”, το οποίο φιλοξενεί πλήθος μοντέλων βαθιάς μάθησης. Από τα διαθέσιμα μοντέλα επιλέχθηκε το μοντέλο Point Transformer v1. Τα δεδομένα νέφους σημείων που αξιοποιήθηκαν ανήκουν στο Hessigheim 3D Benchmark (H3D) και αποτελούν προϊόν συνεργασίας του Πανεπιστημίου της Στουτγάρδης και του Γερμανικού Ινστιτούτου Υδρολογίας. Ο αρχικός σκοπός δημιουργίας του συνόλου δεδομένων ήταν η παρακολούθηση των μικρο-μετακινήσεων του εδάφους (κυρίως στην κατακόρυφη διεύθυνση δηλαδή υψομετρικές διαφορές) σε περιοχή κοντά στον ποταμό Νέκαρ σε ετήσιο χρονικό ορίζοντα. Αρχικά πραγματοποιήθηκε κατάλληλη προ-επεξεργασία των δεδομένων ώστε να μεταβούν στην απαιτούμενη δομή και μορφότυπο που υποστηρίζει το συγκεκριμένο μοντέλο εντός του Pointcept. Στη συνέχεια ακολούθησε η εκπαίδευση του μοντέλου στις σημασιολογικές κλάσεις του συνόλου δεδομένων μέσω έξι διαφορετικών πειραμάτων εκπαίδευσης, στα οποία διερευνήθηκε η επίδραση διαφορετικών υπερ-παραμέτρων και συναρτήσεων απώλειας στη διαδικασία εκμάθησης. Για κάθε πείραμα πραγματοποιήθηκε ανάλυση της εκπαιδευτικής διαδικασίας μέσω γραφημάτων της απώλειας εκπαίδευσης και επικύρωσης (train and validation loss), καθώς και σχολιασμός της συμπεριφοράς σύγκλισης του μοντέλου. Ακολούθησε συνολική σύγκριση των πειραμάτων εκπαίδευσης, με στόχο την αξιολόγηση της επίδρασης των υπερ-παραμέτρων και των συναρτήσεων απώλειας στη διαδικασία εκπαίδευσης. Για το στάδιο των προβλέψεων χρησιμοποιήθηκαν τα μοντέλα που παρουσίασαν ικανοποιητική απόδοση στις περισσότερες σημασιολογικές κλάσεις. Στη συνέχεια το μοντέλο αξιολογήθηκε σε δεδομένα που δεν είχε συναντήσει προηγουμένως, εφαρμόζοντας τη σημασιολογική κατάτμηση σε πέντε διαφορετικά πειράματα προβλέψεων. Τα αποτελέσματα αξιολογήθηκαν με χρήση καθιερωμένων μετρικών σημασιολογικής κατάτμησης, όπως οι δείκτες mean Intersection over Union (mIoU) και Overall Accuracy (OA), ενώ παρουσιάστηκαν αναλυτικά οι τιμές IoU και Accuracy ανά κλάση για κάθε πείραμα. Ακολούθησε συγκριτική αποτίμηση των πειραμάτων προβλέψεων καθώς και ποιοτική αξιολόγηση μέσω οπτικής αναπαράστασης χαρακτηριστικών και απαιτητικών σκηνών του συνόλου δεδομένων. Για κάθε σκηνή πραγματοποιήθηκε σύγκριση μεταξύ της πραγματικής κατάστασης (ground truth) και των αποτελεσμάτων όλων των πειραμάτων, συνοδευόμενη από σχολιασμό τους. Στη συνέχεια εφαρμόστηκε ο αλγόριθμος Density-Based Spatial Clustering of Applications with Noise (DBSCAN) στο νέφος σημείων της κλάσης Στέγη (roof), επιτυγχάνοντας σε μεγάλο βαθμό τον διαχωρισμό των στεγών ανά κτίριο, με ορισμένες δυσκολίες σε περιοχές αυξημένης πολυπλοκότητας. Τέλος παρουσιάζονται τα συμπεράσματα της εργασίας, οι περιορισμοί και οι ελλείψεις της εφαρμοσμένης μεθοδολογίας, προτεινόμενες βελτιώσεις της, καθώς και σύγχρονες τάσεις και μελλοντικές κατευθύνσεις στον τομέα της τρισδιάστατης κατανόησης σκηνής.	el
heal.advisorName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος
heal.committeeMemberName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Ιωαννίδης, Χαράλαμπος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Φωτογραμμετρίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	89
heal.fullTextAvailability	false