Μεταπτυχιακές εργασίες / Master Theses

Μόνιμο URI για αυτήν τη συλλογή

https://apothesis.hmu.gr/handle/20.500.12688/9246

Περιηγούμαι

Πλοήγηση Μεταπτυχιακές εργασίες / Master Theses ανά Θέμα "aerial images"

Τώρα δείχνει 1 - 2 of 2
  • Μικρογραφία εικόνας
    Τεκμήριο
    Εντοπισμός πλοίων από αεροφωτογραφίες.
    (ΕΛΜΕΠΑ, Σχολή Επιστημών Διοίκησης και Οικονομίας (ΣΕΔΟ), ΠΜΣ Διοίκηση και Ψηφιακός Μετασχηματισμός, 2025-07-22) Μηναδάκη, Ελένη; Minadaki, Eleni; Παναγιωτάκης, Κωνσταντίνος; Panagiotakis, Konstantinos
    Η παρούσα εργασία επικεντρώνεται στον εντοπισμό πλοίων από αεροφωτογραφίες υψηλής ανάλυσης, μια πρόκληση με αυξανόμενο ενδιαφέρον λόγω των εφαρμογών της σε τομείς όπως η ναυτική ασφάλεια, η περιβαλλοντική παρακολούθηση και η διαχείριση λιμένων. Η ανίχνευση αντικειμένων σε αεροφωτογραφίες αποτελεί μία από τις πλέον διαδεδομένες και σημαντικές εφαρμογές στον τομέα της υπολογιστικής όρασης. Παρ’ όλα αυτά, πρόκειται για ένα απαιτητικό πρόβλημα, καθώς η κατανομή των αντικειμένων στο εναέριο οπτικό πεδίο δεν είναι ομοιογενής, ενώ η εμφάνισή τους ενδέχεται να μεταβάλλεται σημαντικά λόγω διαφορετικών γωνιών λήψης, υψομετρικών διαφορών και συνθηκών φωτισμού (Chalavadi et al., 2022). Αρχικά παρουσιάζεται η σχετική θεωρητική βάση, καθώς και η εξέλιξη των τεχνικών εντοπισμού πλοίων, με έμφαση στις μεθόδους που βασίζονται σε συνελικτικά νευρωνικά δίκτυα (CNN) και σύγχρονες αρχιτεκτονικές όπως το YOLO. Η έρευνα είχε στόχο την εκπαίδευση ενός μοντέλου τεχνητής νοημοσύνης για τον εντοπισμό πλοίων σε αεροφωτογραφίες, αξιοποιώντας το μοντέλο YOLOv8, ένα από τα πλέον σύγχρονα μοντέλα object detection, χρησιμοποιώντας το ανοιχτό σύνολο δεδομένων ShipRSImageNet, με στόχο την ανάλυση της ακρίβειας και της απόδοσης του μοντέλου σε πραγματικές συνθήκες. Τα αποτελέσματα δείχνουν ότι το μοντέλο επιτυγχάνει υψηλά ποσοστά ανίχνευσης και καλή γενίκευση, παρά τις δυσκολίες που παρουσιάζονται λόγω ποικιλομορφίας του φόντου και του μεγέθους των πλοίων, καθώς εξαιρετικά αποτελέσματα παρατηρήθηκαν σε μεγάλες κατηγορίες πλοίων, ενώ σπάνιες ή μικρές κατηγορίες είχαν χαμηλότερη απόδοση. Οι κύριοι περιορισμοί περιλαμβάνουν ανισορροπία στις κατηγορίες, μειωμένη απόδοση σε μικρά/σκοτεινά αντικείμενα, απουσία χρονικής πληροφορίας και σύγχυση μεταξύ ομοειδών κατηγοριών.
  • Μικρογραφία εικόνας
    Τεκμήριο
    Ψηφιακή αποτύπωση πλημμυρών σε έγχρωμες αεροφωτογραφίες και ενσωμάτωση χωροχρονικών δεδομένων.
    (ΕΛΜΕΠΑ, Σχολή Επιστημών Διοίκησης και Οικονομίας (ΣΕΔΟ), ΠΜΣ Διοίκηση και Ψηφιακός Μετασχηματισμός, 2025-11-05) Παπανικολάου, Απόστολος; Papanikolaou, Apostolos; Παναγιωτάκης, Κωνσταντίνος; Panagiotakis, Konstantinos
    Οι πλημμύρες αποτελούν σοβαρό περιβαλλοντικό πρόβλημα σε όλο τον πλανήτη, συχνά προκαλούμενο από φυσικούς παράγοντες, όπως οι δυνατές βροχές ή καταιγίδες,οι τυφώνες, αλλά και οι μουσώνες (ανάλογα και με την γεωγραφική περιοχή). Οι συνέπειες τους είναι καταστροφικές, τόσο για το περιβάλλον όσο και για τον άνθρωποή τα ζώα. Πλημμύρες μπορεί επίσης να προκληθούν και από ποτάμια, όταν η ροή τους υπερβαίνει την χωρητικότητα του καναλιού του ποταμού ή ακόμα και από λίμνες. Οι πλημμύρες μπορεί να προκαλέσουν μεγάλη ζημιά ακόμα και σε ολόκληρες πόλεις ή χωριά, εκτός από το φυσικό περιβάλλον. Παράλληλα τα πλημμυρικά φαινόμενα,θέτουν σε κίνδυνο ανθρώπινες ζωές, προκαλούν υλικές ζημιές σε ανθρώπινες περιουσίες και υποδομές, ενώ επιβαρύνεται σοβαρά και η δημόσια υγεία, λόγω τον λιμναζόντων υδάτων που αργούν να απορροφηθούν από το έδαφος. Η ακριβής ανίχνευση πλημμυρών από οπτικά δεδομένα αποτελεί ένα κρίσιμο βήμα προς τη βελτίωση της αντιμετώπισης καταστροφών και της αξιολόγησης κινδύνου, ωστόσο τα Σύνολα Δεδομένων (datasets) για την τμηματοποίηση πλημμυρών παραμένουν σπάνια λόγω αφενός της δυσκολίας συλλογής τους και αφετέρου του annotation μεγάλου αριθμού εικόνων που σχετίζονται με πλημμύρες. Οι υπάρχοντες πόροι συχνά περιορίζονται σε γεωγραφικό πεδίο εφαρμογής, χρονική κάλυψη ή περιορισμένο annotation, γεγονός που εμποδίζει την ανάπτυξη ισχυρών μεθόδων υπολογιστικής όρασης, επεξεργασίας και ανάλυσης εικόνων, μηχανικής μάθησης και ιδιαίτερα της βαθιάς μάθησης που απαιτεί μεγάλο όγκο δεδομένων.Η παρούσα εργασία έγινε για να καλυφθεί αυτό το κενό, δημιουργώντας ένα νέο Σύνολο Δεδομένων (dataset) για την αποτύπωση πλημμυρών που ονομάζεται AIFloodSense, το οποίο παρέχει παγκόσμια κάλυψη αποτελούμενο από 470 εικόνες που απεικονίζουν πλημμυρικά φαινόμενα διαφόρων τύπων και εντάσεων σε διάφορα περιβάλλοντα και υπό διάφορες γωνίες λήψης. Επιπλέον καταχωρήθηκαν μεταδεδομένα (metadata) που αφορούσαν την κάθε αεροφωτογραφία, ενώ το annotation που έγινε, υποστηρίζει πολλαπλές εργασίες υπολογιστικής όρασης, μηχανικής και βαθιάς μάθησης όπως π.χ. ταξινόμηση φωτογραφιών ανά περιβάλλον, γωνία κάμερας και ήπειρο και σημασιολογική τμηματοποίηση τριών βασικών οπτικών κατηγοριών - πλημμύρα, ουρανός και κτίρια. Για να γίνει το annotationχρησιμοποιήθηκαν 2 εργαλεία ελεύθερου λογισμικού, το Label Studio και το Gimp, οπότε και για κάθε μία από τις 470 φωτογραφίες, δημιουργήθηκαν μία (1) εώς τρεις (3) μάσκες. Αυτό λοιπόν το Σύνολο Δεδομένων (dataset) καθιερώνει ένα νέο σημείο αναφοράς για την προώθηση της έρευνας στην Υπολογιστική Όραση, στην Επεξεργασία - Ανάλυση Εικόνας και τη Μηχανική Μάθηση που σχετίζεται με τις πλημμύρες και συμβάλλει στην ευρύτερη προσπάθεια δημιουργίας εργαλείων Τεχνητής Νοημοσύνης Βαθιάς Μάθησης για την ανθεκτικότητα στο κλίμα.