| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.author | Διαλυνάκη, Αλεξάνδρα | |
| dc.date.accessioned | 2025-09-09T10:40:02Z | |
| dc.date.available | 2025-09-09T10:40:02Z | |
| dc.date.issued | 2025-07-14 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18115 | |
| dc.description.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. | el |
| dc.format.extent | 59 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Ανίχνευση διαφορετικών αντικειμένων για αυτόνομες εφαρμογές οδήγησης | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | Object detection and tracking around an autonomous vehicle are essential for its safe operation. This thesis focuses on object detection and classification for autonomous driving applications. Specifically, two of the most advanced object detection models will be examined: YOLO (You Only Look Once) and Faster R-CNN (Region-Based Convolutional Neural Networks). The performance of these algorithms will be compared based on key evaluation metrics, including Mean Average Precision (mAP), precision, and recall. The dataset used for this study contains data relevant to the detection and recognition of vehicles, pedestrians, and traffic signs. It includes 22,241 images in .jpg format and 3 .csv files, which provide information for each image such as the image name, object category, and bounding box coordinates. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Faster R-CNN | el |
| dc.subject.keyword | YOLO | el |
| dc.subject.keyword | Αυτόνομη οδήγηση | el |
| dc.date.defense | 2025-07-16 | |
