Ανίχνευση διαφορετικών αντικειμένων για αυτόνομες εφαρμογές οδήγησης

Abstract

Η ανίχνευση και η παρακολούθηση αντικειμένων γύρω από ένα αυτόνομο όχημα είναι απαραίτητη για την ασφαλή λειτουργία του. Η παρούσα διπλωματική στοχεύει στην ανίχνευση και την ταξινόμηση αντικειμένων για αυτόνομες εφαρμογές οδήγησης. Πιο συγκεκριμένα, θα εξεταστούν δύο από τα πιο προηγμένα μοντέλα ανίχνευσης αντικειμένων: το YOLO (You Only Look Once) και το Faster R-CNN (Region-Based Convolutional Neural Networks) ενώ για τα αποτελέσματα των αλγορίθμων θα συγκριθούν εστιάζοντας στις μετρικές Μέση Ακρίβεια (mAP), precision και recall. Το σύνολο δεδομένων στο οποίο θα γίνει η επεξεργασία περιέχει δεδομένα που χρησιμοποιούνται για την ανίχνευση και αναγνώριση οχημάτων, πεζών και σημάτων κυκλοφορίας. Περιέχει 22.241 εικόνες σε μορφή jpg και 3 αρχεία σε μορφή csv τα οποία περιέχουν πληροφορίες για κάθε εικόνα όπως το όνομα τις εικόνας, την κατηγορία του αντικειμένου και τις συντεταγμένες της εικόνας.