Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Ανίχνευση [προαιρετικά και ταξινόμηση] επικίνδυνων αντικειμένων σε χρόνο πραγματικό (real time) από δεδομένα video, με χρήση μεθόδων βαθιάς μάθησης

Tsavalis Nikolaos

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/ADFC4F02-B03D-40FB-8A66-016BAA037176-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.83738-
Γλώσσαel-
Μέγεθος4,14 megabytesen
ΤίτλοςΑνίχνευση [προαιρετικά και ταξινόμηση] επικίνδυνων αντικειμένων σε χρόνο πραγματικό (real time) από δεδομένα video, με χρήση μεθόδων βαθιάς μάθησηςel
ΔημιουργόςTsavalis Nikolaosen
ΔημιουργόςΤσαβαλης Νικολαοςel
Συντελεστής [Επιβλέπων Καθηγητής]Παπαδάκης Νικόλαοςel
Συντελεστής [Επιβλέπων Καθηγητής]Papadakis Nikolaosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Daras Nikolaosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Δαρας Νικολαοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Tsafarakis Steliosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Τσαφαρακης Στελιοςel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
ΕκδότηςHellenic Army Academyen
ΕκδότηςΣτρατιωτική Σχολή Ευελπίδωνel
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησηςel
ΠερίληψηΣτην παρούσα διατριβή θα γίνει μία ιστορική αναδρομή της υπολογιστικής όρασης (computer vision) και των δυνατοτήτων που προσφέρει σε ένα ευρύ φάσμα εφαρμογών και επιστημών, μέσω των συνελικτικών νευρωνικών δικτύων (ΣΝΔ). Θα αναπτυχθούν οι έννοιες της αρχιτεκτονικής δομής και τα επίπεδα (layers) των ΣΝΔ καθώς και οι τεχνικές εκπαίδευσης (training), χωρικής υποδειγματοληψίας (pooling), κανονικοποίησης (normalisation) και ενεργοποίησης (activation) που τα διέπουν. Θα δοθεί ο παραγόμενος κώδικας γραμμένος σε γλώσσα προγραμματισμού Python και οι τεχνολογίες που χρησιμοποιήθηκαν για την αναγνώριση τυχόν οπλισμού, αρχικά σε στατική εικόνα και στη συνέχεια σε βίντεο. Μέσω labelled data, θα υπάρξει η δυνατότητα αναγνώρισης του παραπάνω οπλισμού με αναγραφή του τύπου αυτού και τυχόν άλλων χαρακτηριστικών του όπλου.el
ΠερίληψηThis thesis will analyze computer vision and its potential in a wide range of applications and sciences through convolutional neural networks (CNN). The concepts of architectural structure and layers of the CNN will be developed as well as the techniques of training, pooling, normalization and activation that govern them. The generated code written in Python programming language and the technologies used to identify any weaponry will be given, first in static image and then in video. Through labeled data, it will be possible to identify the above weapon by indicating this type and any other weapon characteristics.en
ΤύποςΜεταπτυχιακή Διατριβήel
ΤύποςMaster Thesisen
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2019-10-29-
Ημερομηνία Δημοσίευσης2019-
Θεματική ΚατηγορίαKerasen
Θεματική ΚατηγορίαTensorflowen
Θεματική ΚατηγορίαComputer Visionen
Βιβλιογραφική ΑναφοράΝικόλαος Τσαβαλής, "Ανίχνευση [προαιρετικά και ταξινόμηση] επικίνδυνων αντικειμένων σε χρόνο πραγματικό (real time) από δεδομένα video, με χρήση μεθόδων βαθιάς μάθησης", Μεταπτυχιακή Διατριβή, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Στρατιωτική Σχολή Ευελπίδων, Χανιά, Ελλάς, 2019el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά