Show simple item record

Kalman Filters and their application in motion detection and tracking

dc.contributor.advisorRangoussi, Maria
dc.contributor.authorΧαρκοφτάκης, Γεώργιος
dc.date.accessioned2022-01-27T09:31:29Z
dc.date.available2022-01-27T09:31:29Z
dc.date.issued2020-02
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/1681
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-1532
dc.description.abstractDuring the last decade, breakthroughs in the fields of machine vision and reinforce-ment learning have been made possible thanks to the advancements in machine learning algorithms. ‘Machines’ now can recognize an object with human accuracy; this im-plies they could play video games by just having access to the pixels of a screen. In this work a combination of state-of-the-art technologies of deep learning are exploited to detect, track and remotely control a vehicle under realistic conditions. A linear estimator (Kalman filter) is proposed as an application-specific solution to a common problem that is the delay of sensory input – in the present case, the latency introduced by the machine vision system. The thesis presents the proposed system design and practical considerations along with detailed experimental results as a proof of concept. The advantages of the proposed solution are established through comparative evaluation with the results of other ‘naive’ solutions.el
dc.format.extent71el
dc.language.isoenel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsΑναφορά Δημιουργού - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-sa/4.0/*
dc.subjectMachine learningel
dc.subjectMachine visionel
dc.subjectReinforcement learningel
dc.subjectDeep neural networksel
dc.subjectCNNel
dc.subjectDQNel
dc.subjectYOLOv3el
dc.subjectKalman filterel
dc.subjectMotion detectionel
dc.subjectMotion trackingel
dc.subjectVehicle controlel
dc.subjectΜηχανική μάθησηel
dc.subjectΜηχανική όρασηel
dc.subjectΕνισχυτική μάθησηel
dc.subjectΒαθιά νευρωνικά δίκτυαel
dc.subjectΑνίχνευση κίνησηςel
dc.subjectΈλεγχος οχήματοςel
dc.subjectΦίλτρο Kalmanel
dc.titleKalman Filters and their application in motion detection and trackingel
dc.title.alternativeΦίλτρα Kalman και εφαρμογή στην ανίχνευση και παρακολούθηση κίνησηςel
dc.typeΜεταπτυχιακή διπλωματική εργασίαel
dc.contributor.committeeΤάτλας, Νικόλαος-Αλέξανδρος
dc.contributor.committeeKandris, Dionisis
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικώνel
dc.contributor.masterΗλεκτρικές και Ηλεκτρονικές Επιστήμες μέσω Έρευνας (MSc by Research in Electrical and Electronicsel
dc.description.abstracttranslatedΗ πρόοδος στον τομέα της μηχανικής μάθησης στην προηγούμενη δεκαετία, έκανε δυνατά σημαντικά επιτεύγματα στους τομείς της μηχανικής όρασης και της ενισχυμένης εκμάθησης. Μέσω καταλλήλων αλγορίθμων, οι ‘μηχανές’ μπορούν πλέον να αναγνωρίσουν αντικείμενα το ίδιο καλά με ανθρώπους – πράγμα που σημαίνει ότι θα μπορούσαν π.χ. να παίζουν βιντεοπαιχνίδια απλά έχοντας πρόσβαση στα pixels μιας οθόνης. Στην παρούσα εργασία αξιοποιούνται οι πλέον σύγχρονοι αλγόριθμοι βαθιάς μάθησης για τον εντοπισμό, την παρακολούθηση και τον απομακρυσμένο έλεγχο ενός οχήματος σε ρεαλιστικές συνθήκες. Επίσης προτείνεται η χρησιμοποίηση ενός γραμμικού εκτιμητή (φίλτρο Kalman) ως λύση σε ένα συγκεκριμένο πρόβλημα - εκείνο της καθυστέρησης της λήψης δεδομένων από τον αισθητήρα, δηλαδή της καθυστέρησης που εισάγει το σύστημα μηχανικής όρασης. Παρουσιάζονται αναλυτικά οι λεπτομέρειες της σχεδίασης, οι προκλήσεις που αντιμετωπίστηκαν και τα πειραματικά αποτελέσματα. Τέλος τα πλεονεκτήματα της προτεινόμενης λύσης τεκμηριώνονται μέσω συγκριτικής αξιολόγησης με τα αποτελέσματα άλλων «απλοϊκών» λύσεων.el


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές