Vallasciani, Giacomo
(2023)
Progettazione ed analisi di tecniche unsupervised in supporto alla Human Activity Recognition.
[Laurea magistrale], Università di Bologna, Corso di Studio in
Informatica [LM-DM270]
Documenti full-text disponibili:
![[img]](http://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) |
Documento PDF (Thesis)
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (1MB)
|
Abstract
Portare l'intelligenza artificiale nei dispositivi integrati è diventato un argomento di ricerca centrale in molti settori scientifici (ambiente, agricoltura, sociologia, salute...). Per il riconoscimento dell'attività umana, le reti neurali artificiali (ANN) hanno dimostrato la loro capacità di fornire prestazioni migliori rispetto ad altri importanti limiti. In primo luogo, spesso le ANN sono allenate utilizzando la tecnica del supervised learning che richiede dataset pre-etichettati. Inoltre, questi algoritmi sono genericamente molto costosi in termini di potenza di calcolo. Per questo motivo, la loro integrazione in microcontrollori a bassa potenza è stata finora valutata solo in misura limitata.
In questo lavoro riprenderemo l'esperimento presentato in "Toward unsupervised human activity recognition on microcontroller units" verificandone prima i risultati, tentare di migliorare i risultati ottenuti con il dataset UCI, tentare di esportare i modelli unsupervised direttamente sul dispositivo M5Stack attraverso l'utilizzo di tecnologie come Tensorflow-Lite, esplorare nuove possibili soluzioni unsupervised che possono essere usate al posto della Self-Organizing-Map e cercando poi di ripetere l'esperimento acquisendo un nuovo dataset, seguendo la costruzione del dataset UCI, utilizzando i sensori IMU (accelerometro e giroscopio) di un M5Stack Gray, un micro-controllore con processore ESP-32.
Abstract
Portare l'intelligenza artificiale nei dispositivi integrati è diventato un argomento di ricerca centrale in molti settori scientifici (ambiente, agricoltura, sociologia, salute...). Per il riconoscimento dell'attività umana, le reti neurali artificiali (ANN) hanno dimostrato la loro capacità di fornire prestazioni migliori rispetto ad altri importanti limiti. In primo luogo, spesso le ANN sono allenate utilizzando la tecnica del supervised learning che richiede dataset pre-etichettati. Inoltre, questi algoritmi sono genericamente molto costosi in termini di potenza di calcolo. Per questo motivo, la loro integrazione in microcontrollori a bassa potenza è stata finora valutata solo in misura limitata.
In questo lavoro riprenderemo l'esperimento presentato in "Toward unsupervised human activity recognition on microcontroller units" verificandone prima i risultati, tentare di migliorare i risultati ottenuti con il dataset UCI, tentare di esportare i modelli unsupervised direttamente sul dispositivo M5Stack attraverso l'utilizzo di tecnologie come Tensorflow-Lite, esplorare nuove possibili soluzioni unsupervised che possono essere usate al posto della Self-Organizing-Map e cercando poi di ripetere l'esperimento acquisendo un nuovo dataset, seguendo la costruzione del dataset UCI, utilizzando i sensori IMU (accelerometro e giroscopio) di un M5Stack Gray, un micro-controllore con processore ESP-32.
Tipologia del documento
Tesi di laurea
(Laurea magistrale)
Autore della tesi
Vallasciani, Giacomo
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
CURRICULUM A: TECNICHE DEL SOFTWARE
Ordinamento Cds
DM270
Parole chiave
Internet of Things,Artificial Intelligence,Machine-Learning,Tensorflow-Lite,Human activity recognition,microcontrollers
Data di discussione della Tesi
16 Marzo 2023
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Vallasciani, Giacomo
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
CURRICULUM A: TECNICHE DEL SOFTWARE
Ordinamento Cds
DM270
Parole chiave
Internet of Things,Artificial Intelligence,Machine-Learning,Tensorflow-Lite,Human activity recognition,microcontrollers
Data di discussione della Tesi
16 Marzo 2023
URI
Statistica sui download
Gestione del documento: