| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.author | Ψωνιτής, Αθανάσιος | |
| dc.date.accessioned | 2026-05-25T11:44:56Z | |
| dc.date.available | 2026-05-25T11:44:56Z | |
| dc.date.issued | 2026 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19376 | |
| dc.description.abstract | Η παρούσα διπλωματική εργασία έχει ως βασικό στόχο την αναγνώριση αντικειμένων για εφαρμογές αυτόνομης οδήγησης. Για να επιτευχθεί αυτό, εκπαιδεύσαμε και αξιολογήσαμε δύο διαδεδομένες αρχιτεκτονικές ανίχνευσης δεδομένων: του μονοσταδιακού ανιχνευτή YOLO (You Only Look Once) και του δι-σταδιακού ανιχνευτή Faster R-CNN.
Η εκπαίδευση και η αξιολόγηση των μοντέλων μας πραγματοποιήθηκε στο KITTI Vision Benchmark Suite, ένα από τα πλέον καθιερωμένα σύνολα δεδομένων στον τομέα της υπολογιστικής όρασης για εφαρμογές αυτόνομης οδήγησης. Το σύνολο δεδομένων περιλαμβάνει εικόνες πραγματικών οδικών συνθηκών με αναλυτικές επισημάνσεις για αντικείμενα όπως οχήματα και πεζούς οι οποίες ελήφθησαν στην Καρλσρούη της Γερμανίας.
Με την ολοκλήρωση της εκπαίδευσης και της αξιολόγησης των δύο μοντέλων συγκρίνουμε τις επιδόσεις που πέτυχαν με την βοήθεια μετρικών και δίνουμε έμφαση στα σημεία που πέτυχαν αλλά και σε αυτά που χρήζουν βελτίωσης. | el |
| dc.format.extent | 87 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Ανίχνευση αντικειμένων για εφαρμογές αυτόνομης οδήγησης με χρήση μοντέλων YOLO και RCNN | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | The main goal of this thesis is to identify objects for autonomous driving applications. To achieve this, we trained and evaluated two popular data detection architectures: the single-stage YOLO (You Only Look Once) detector and the two-stage Faster R-CNN detector.
The training and evaluation of our models was performed on the KITTI Vision Benchmark Suite, one of the most established datasets in the field of computer vision for autonomous driving applications. The dataset includes images of real road conditions with detailed annotations for objects such as vehicles and pedestrians, which were acquired in Karlsruhe, Germany.
Upon completion of the training and evaluation of the two models, we compare the performances achieved using metrics and emphasize the points that were achieved but also those that need improvement. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Αυτόνομη οδήγηση | el |
| dc.date.defense | 2026-05-21 | |
