BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20250515T101825Z
LAST-MODIFIED:20250515T101825Z
DTSTAMP:20260616T003920Z
UID:1781559560@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Βασιλείου Γιοβάνογλου - Σχολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.tuc.gr/el/to-polytechnei
 o/ilektronikes-ypiresies/imerologio/
 imerologio-ekdiloseon-1?tx_tucevents
 2_tuceventsdisplay%5Baction%5D=show&
 tx_tucevents2_tuceventsdisplay%5Bcon
 troller%5D=Event&tx_tucevents2_tucev
 entsdisplay%5Bevent%5D=7688&cHash=ba
 8ff91052845f67480d521dca9bcdd0\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Προπτυχιακών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Βα
 σιλείου Γιοβάνογλου\n με θέμα\n Αναγ
 νώριση αντικειμένων και των χαρακτηρ
 ιστικών τους από οπτικά δεδομένα μη 
 επανδρωμένων εναέριων οχημάτων\n Obj
 ect detection, localization and feat
 ure characterization of image data f
 rom UAV \n Εξεταστική Επιτροπή\n Καθ
 ηγητής Μιχαήλ Ζερβάκης (επιβλέπων)\n
  Καθηγητής Ευριπίδης Πετράκης\n Καθη
 γητής Μιχαήλ Λαγουδάκης\n Περίληψη\n
  Η παρούσα διπλωματική εργασία εξετά
 ζει την ανίχνευση αντικειμένων και τ
 ην αναγνώριση χρώματος τους. Αξιοποι
 ούνται οπτικά δεδομένα αεροφωτογραφι
 ών που συλλέγονται από μη επανδρωμέν
 α εναέρια οχήματα (UAVs), ενώ δίνετα
 ι ιδιαίτερη έμφαση στην μελέτη και χ
 ρήση του νευρωνικού δικτύου YOLOv5 γ
 ια ακριβή αναγνώριση αντικειμένων απ
 ό αεροφωτογραφίες με κατακόρυφη γωνί
 α κλίσης. Η μελέτη ξεκινά με μια επι
 σκόπηση των UAVs και των εφαρμογών τ
 ους, ακολουθούμενη από ανασκόπηση τε
 χνικών μηχανικής μάθησης και βαθιάς 
 μάθησης, ιδιαίτερα των Συνελικτικών 
 Νευρωνικών Δικτύων (CNNs). Ο πυρήνας
  της έρευνας αφορά την μελέτη και εφ
 αρμογή του YOLOv5 καθώς και παραλλαγ
 ών του στο Stanford Drone Dataset, τ
 ην αξιολόγηση της απόδοσής του με δι
 άφορες μετρικές, καθώς και πειραματι
 κές μελέτες με διαφορετικές διαμορφώ
 σεις για τη βελτίωση της ακρίβειας κ
 αι της αποδοτικότητας. Το μη τροποπο
 ιημένο YOLOv5 μοντέλο πέτυχε mAP@.5 
 89%, απόδοση υψηλότερη των παραλλαγώ
 ν του όπως του YOLOv5 με Softpool κα
 ι Squeeze-and-Excitation mAP@.5 71% 
 και του YOLOv5 με Softpool και Coord
 Attention mAP@.5 75%. Τα αποτελέσματ
 α αναδεικνύουν την εξαιρετική ικανότ
 ητα του μοντέλου YOLOv5x στην ανίχνε
 υση αντικειμένων, επιβεβαιώνοντας τη
  δυναμική του για πρακτικές εφαρμογέ
 ς στην επιτήρηση, τη γεωργία και την
  ασφάλεια. Με την ενσωμάτωση τεχνικώ
 ν απομόνωσης υποβάθρου (background) 
 και ανίχνευσης χαρακτηριστικών, όπως
  η ανάλυση χρώματος, η εργασία αυτή 
 συμβάλλει στον τομέα της μηχανικής ό
 ρασης, παρουσιάζοντας μια προηγμένη 
 προσέγγιση στην ανίχνευση αντικειμέν
 ων από UAVs, με σημαντικές προεκτάσε
 ις τόσο για την ακαδημαϊκή έρευνα όσ
 ο και για τις βιομηχανικές πρακτικές
 .\n Abstract \n This thesis explores
  object detection and feature charac
 terization from visual data collecte
 d by unmanned aerial vehicles (UAVs)
 , with a primary focus on leveraging
  the YOLOv5 model for accurate objec
 t recognition and classification in 
 aerial imagery. The study begins wit
 h an overview of UAVs and their appl
 ications, followed by an in-depth re
 view of machine learning and deep le
 arning techniques, particularly Conv
 olutional Neural Networks (CNNs). Th
 e core of the research involves appl
 ying YOLOv5 and its variations to th
 e Stanford Drone Dataset, evaluating
  their performance using various met
 rics, and conducting experimental st
 udies with different configurations 
 to enhance accuracy and efficiency. 
 The unmodified YOLOv5 model achieved
  a mAP@.5 89%, outperforming variati
 ons such as YOLOv5 with Softpool and
  Squeeze-and-Excitation mAP@.5 71% a
 nd YOLOv5 with Softpool and CoordAtt
 ention mAP@.5 75%. Results highlight
  the exceptional capability of the Y
 OLOv5x model in object detection, de
 monstrating its potential for practi
 cal applications in surveillance, ag
 riculture, and security. By integrat
 ing background isolation techniques 
 and feature detection methods such a
 s color analysis, this study contrib
 utes to the field of computer vision
 , presenting an advanced approach to
  UAV-based object detection with sig
 nificant implications for both acade
 mic research and industrial practice
 .\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20250521T140000
DTEND:20250521T150000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR