Deep learning and object detection
| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.advisor | Filippakis, Michael | |
| dc.contributor.author | Παπαγεωργίου, Θεόδωρος | |
| dc.contributor.author | Papageorgiou, Theodoros | |
| dc.date.accessioned | 2022-04-05T05:38:13Z | |
| dc.date.available | 2022-04-05T05:38:13Z | |
| dc.date.issued | 2022 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/14279 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/1702 | |
| dc.description.abstract | Η εξάπλωση της νόσου COVID-19 είχε ως αποτέλεσμα την επιβολή μέτρων προστασίας στην καθημερινή ζωή, όπως η καραντίνα, η κοινωνική απομάκρυνση, η χρήση μάσκας προστασίας και άλλα. Στην παρούσα διπλωματική εργασία εφαρμόστηκαν αλγόριθμοι ανίχνευσης αντικειμένου σε δεδομένα εικόνων και βίντεο με σκοπό να εντοπίσουν εάν ένα άτομο φοράει ή όχι μάσκα προστασίας σαν προληπτικό μέτρο κατά της εξάπλωσης της νόσου COVID-19. Συγκεκριμένα, στην παρούσα εργασία διεξάχθηκε συγκριτική μελέτη μεταξύ των ανιχνευτών ενός επιπέδου YOLOv3, YOLOv4 και YOLOv5 σε ένα σύνολο δεδομένων εικόνων RGB, το οποίο αποτελείται από 1694 εικόνες και 7791 ετικέτες. Την καλύτερη επίδοση μεταξύ των τριών μοντέλων είχε το μοντέλο YOLOv5. | el |
| dc.format.extent | 40 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Deep learning and object detection | el |
| dc.title.alternative | Βαθιά μάθηση και ανίχνευση αντικειμένου | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | The rise of COVID-19 disease came up with new restrictions in everyday life, like quarantine, social distancing, wearing face masks and more. In the current diploma thesis object detection algorithms are applied on image and video data in order to detect if a person wears or not a face mask as a preventative measure against the spread of COVID-19 disease. More specifically, in this dissertation a comparative study was conducted between one-stage detectors YOLOv3, YOLOv4 and YOLOv5 on an RGB image dataset, which consists of 1694 images and 7791 labels. The performance of YOLOv5 model is the best one between the three models. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Ανίχνευση αντικειμένου | el |
| dc.subject.keyword | Τεχνητή νοημοσύνη | el |
| dc.date.defense | 2022-02-28 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα