Σε αυτή την πτυχιακή εργασία θα μιλήσουμε για την μηχανική μάθηση και πώς
αυτή έχει βοηθήσει και συνεχίζει να βοηθάει στην επιστήμη των υπολογιστών.
Ξεκινώντας θα αναφερθούμε στην αυτόνομη οδήγηση, στα οφέλη που έχει καθώς
και στις κατηγορίες αυτόνομης οδήγησης που υπάρχουν. Έπειτα θα γίνει μια
εισαγωγή στην μηχανική μάθηση, την διαδικασία που ακολουθείται, θα
αναφέρουμε τα μοντέλα μηχανικής μάθησης που υπάρχουν και θα ασχοληθούμε
με ένα από αυτά, το Deep Learning, το οποίο χρησιμοποιήθηκε για την εκπόνηση
της συγκεκριμένης πτυχιακής. Θα συνεχίσουμε με την παράλληλη επεξεργασία, το
πώς βοηθά στην επιτάχυνση των υπολογισμών των προγραμμάτων και θα
αναφέρουμε τις δύο βασικές βιβλιοθήκες παράλληλης επεργασίας που
χρησιμοποιήθηκαν, τις βιβλιοθήκες CUDA και Tensorflow. Στο τέταρτο κεφάλαιο
θα γίνει περιγραφή του συνόλου δεδομένων που χρησιμοποιήθηκε και του
συνελικτικού δικτύου SqueezeDet που χρησιμοποιήθηκε για τον εντοπισμό
αντικειμένων σε δεδομένα εικόνων. Εκτός από το SqueezeDet θα γίνει και μια
αναφόρα σε εναλλακτικές μεθόδους που αποσκοπούν στον εντοπισμό
αντικειμένων σε εικόνες. Τέλος θα δούμε τα αποτελέσματα που λήφθηκαν από την
εκτέλεση της πτυχιακής και θα αναφερθούν τα συμπεράσματα που λήφθηκαν κατά
την διάρκεια εκπόνησής της
(EL)
Πτυχιακή εργασία--ΣΤΕΦ-Τμήμα Μηχανικών Πληροφορικής, 2018—10038
(EL)
In this thesis we will talk about machine learning and how it has helped and
continues to help in computer science. At first we will refer to autonomous driving,
the benefits that it has and the levels of autonomous driving. Then there will be an
introduction to machine learning, the following process, we will mention the
categories of machine learning and we will deal with one of them, the Deep
Learning one, which was used for the development of this thesis. We will go on
with parallel processing, how it helps in speeding up calculations and we will
mention the two parallel processing libraries that were used, CUDA and
Tensorflow. The fourth chapter will describe the data set that was used, and the
convolutional neural network SqueezeDet, which detects objects in image data.
Finally, we will look at the results obtained from the completion of this thesis and
the conclusions drawn during it’s preparation
(EN)
International Hellenic University
