Tesi etd-04242025-103343 |
Link copiato negli appunti
Tipo di tesi
Tesi di laurea magistrale
Autore
CHIANESE, ANDREA
URN
etd-04242025-103343
Titolo
Exploiting Realistic Game-Generated Datasets for Improving Domain Adaptation in Autonomous Driving
Dipartimento
INGEGNERIA DELL'INFORMAZIONE
Corso di studi
ARTIFICIAL INTELLIGENCE AND DATA ENGINEERING
Relatori
relatore Prof. Cococcioni, Marco
Parole chiave
- autonomous driving
- domain adaptation
- game-generated dataset
Data inizio appello
27/05/2025
Consultabilità
Non consultabile
Data di rilascio
27/05/2028
Riassunto
La tesi si dedica al perfezionamento di dataset sintetici ispirati a contesti simulati, che trovano ampio utilizzo nel campo della guida autonoma e della computer vision.
L'obiettivo principale del lavoro è accrescere la generalizzazione delle performance di algoritmi di computer vision a scenari complessi nel mondo reale, quali condizioni notturne o meteorologiche avverse, basando l'addestramento esclusivamente su set di dati sintetici.
Il progetto inizia con una fase di raccolta dati in tempo reale all'interno dell'ambiente simulato GTA. Questo processo comprende l'analisi e l'implementazione di metodologie specifiche per l'estrazione di dati da ambienti di tipo black-box.
Il risultato sarà la creazione di un dataset scalabile, con scenari modificabili ad-hoc.
Nella seconda parte, ci occuperemo dello studio di tecniche di domain adaptation sfruttando il nostro dataset.
The thesis focuses on the improvement of synthetic datasets inspired by simulated contexts, which are widely used in the fields of autonomous driving and computer vision.
The main goal of the work is to increase the generalization of the performance of computer vision algorithms to complex real-world scenarios, such as night or adverse weather conditions, by basing the training exclusively on synthetic datasets.
The project starts with a real-time data collection phase within the GTA simulated environment. This process includes the analysis and implementation of specific methodologies for data extraction from black-box environments.
L'obiettivo principale del lavoro è accrescere la generalizzazione delle performance di algoritmi di computer vision a scenari complessi nel mondo reale, quali condizioni notturne o meteorologiche avverse, basando l'addestramento esclusivamente su set di dati sintetici.
Il progetto inizia con una fase di raccolta dati in tempo reale all'interno dell'ambiente simulato GTA. Questo processo comprende l'analisi e l'implementazione di metodologie specifiche per l'estrazione di dati da ambienti di tipo black-box.
Il risultato sarà la creazione di un dataset scalabile, con scenari modificabili ad-hoc.
Nella seconda parte, ci occuperemo dello studio di tecniche di domain adaptation sfruttando il nostro dataset.
The thesis focuses on the improvement of synthetic datasets inspired by simulated contexts, which are widely used in the fields of autonomous driving and computer vision.
The main goal of the work is to increase the generalization of the performance of computer vision algorithms to complex real-world scenarios, such as night or adverse weather conditions, by basing the training exclusively on synthetic datasets.
The project starts with a real-time data collection phase within the GTA simulated environment. This process includes the analysis and implementation of specific methodologies for data extraction from black-box environments.
File
| Nome file | Dimensione |
|---|---|
La tesi non è consultabile. |
|