Τεχνικές μηχανικής μάθησης για την αναγνώριση θέσης χειρών σε εικονοσειρές από φορητές και ενσωματωμένες συσκευές

Μαρούσης, Νικόλαος; Marousis, Nikolaos

dc.contributor.author	Μαρούσης, Νικόλαος	el
dc.contributor.author	Marousis, Nikolaos	en
dc.date.accessioned	2020-05-14T09:16:04Z
dc.date.available	2020-05-14T09:16:04Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50570
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.18268
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Όραση υπολογιστών	el
dc.subject	Φορητές συσκευές	el
dc.subject	Ενσωματωμένες συσκευές	el
dc.subject	TensorFlow	en
dc.subject	Convolutional neural networks	en
dc.subject	Computer vision	en
dc.subject	Mobile devices	en
dc.subject	Embedded devices	en
dc.subject	TensorFlow	en
dc.title	Τεχνικές μηχανικής μάθησης για την αναγνώριση θέσης χειρών σε εικονοσειρές από φορητές και ενσωματωμένες συσκευές	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-11-08
heal.abstract	Η εργασία πραγματεύεται τον σχεδιασμό και την αξιολόγηση ενός συστήματος αναγνώρισης της τοποθεσίας χεριών σε εικονοσειρές που προέρχονται από φορητές και ενσωματωμένες συσκευές σε πραγματικό χρόνο. Για το σκοπό αυτό γίνεται χρήση εξειδικευμένων μοντέλων όρασης για συσκευές χαμηλής ισχύος, ώστε το σύστημα να έχει μια βιώσιμη εφαρμογή χρήσης σε φορητές και ενσωματωμένες συσκευές. Η μελέτη μας βασίζεται στην χρήση μοντέλων αρχιτεκτονικής MobileNet v1 και v2, τα οποία εκπαιδεύονται σε ένα σύνολο δεδομένων που απεικονίζει την αλληλεπίδραση δύο ατόμων από εγωκεντρική σκοπιά. Η αξιολόγηση του συστήματος γίνεται σε δύο άξονες, με το πρώτο σκέλος να αφορά τις επιδόσεις των μοντέλων κατά την εκπαίδευση και το δεύτερο σκέλος να αφορά τις επιδόσεις χρήσης τους σε φορητές και ενσωματωμένες συσκευές.	el
heal.abstract	This thesis is concerned with the design and assessment of a hand location detection system on video frames from mobile and embedded devices in real time. To this end, we utilize vision models specialized for low-power devices, in order to create a system with viable use cases in mobile and embedded devices. The models under study utilize the MobileNet v1 and v2 architectures and they are trained on a data set depicting two interacting individuals from an egocentric view. The system assessment is concerned with two main aspects, one being the training performance of the models and the other being their usage benchmarks on mobile and embedded devices.	en
heal.advisorName	Τσανάκας, Παναγιώτης	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.committeeMemberName	Κουτσούρης, Δημήτριος-Διονύσιος	el
heal.committeeMemberName	Ματσόπουλος, Γιώργος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	113 σ.	el
heal.fullTextAvailability	false