Τεχνολογίες συνελικτικών αυτοκωδικοποιητών σε θερμικά και οπτικά δεδομένα βίντεο για την αυτόματη ανίχνευση πτώσεων

Καρόλου, Ελένη Ειρήνη; Karolou, Eleni Eirini

dc.contributor.author	Καρόλου, Ελένη Ειρήνη	el
dc.contributor.author	Karolou, Eleni Eirini	en
dc.date.accessioned	2022-02-17T08:00:25Z
dc.date.available	2022-02-17T08:00:25Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54744
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22442
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	Αυτόματη ανίχνευση πτώσεων	el
dc.subject	Human detection	en
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Συνελικτικοί αυτοκωδικοποιητές	el
dc.subject	Αλγόριθμοι μακρο-βραχυπρόθεσμης μνήμης	el
dc.subject	Convolutional neural networks	en
dc.subject	Deep learning	en
dc.subject	Spatiotemporal autoencoders	en
dc.subject	Long short term memory algorithms	en
dc.title	Τεχνολογίες συνελικτικών αυτοκωδικοποιητών σε θερμικά και οπτικά δεδομένα βίντεο για την αυτόματη ανίχνευση πτώσεων	el
heal.type	bachelorThesis
heal.classification	Αρχές τεχνητής νοημοσύνης	el
heal.classification	Artificial intelligence	en
heal.classification	Βαθιά μάθηση	el
heal.classification	Deep learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-10-22
heal.abstract	Τα περιστατικά ανθρώπινων πτώσεων αποτελούν σοβαρά ατυχήματα, όπου η ταχεία ανίχνευσή του περιστατικού αυτού, κρίνεται ζωτικής σημασίας για την ασφαλή απαλλαγή του ατόμου από τον μεγάλο κίνδυνο. Για τον σκοπό αυτό, η χρήση μοντέλων βαθιάς μάθησης ως αυτόματων ανιχνευτών, για τα συγκεκριμένα σενάρια, έχει αποδειχθεί αποτελεσματική . Ωστόσο, προκειμένου το εκπαιδευτικό πλαίσιο να λειτουργεί καλύτερα είναι επιτακτική η ανάγκη χρήσης των σωστών μεθόδων αποτύπωσης, όπως οπτικές και θερμικές μέθοδοι. Διερευνάται η χρήση ενός συνελικτικού αυτοκωδικοποιητή, εκπαιδευμένο πάνω σε θερμικά και οπτικά δεδομένα, ως μηχανισμό για την αυτόματη ανίχνευση ανθρώπινων πτώσεων. Επιπλέον, παρουσιάζεται ένα σύνολο δεδομένων που δημιουργήθηκε για να προσομοιώσει τέτοια γεγονότα και χρησιμοποιήθηκε για την εκπαίδευση και τον έλεγχο του αλγορίθμου.	el
heal.abstract	Incidents of human falls are serious accidents, where the rapid detection of this incident is considered vital for the safe release of the individual from great danger. To this end, the use of deep learning models as automated detectors for these scenarios has proven effective. However, in order for the learning framework to work better, it is imperative to use the right imaging methods, such as optical and thermal methods. There is an investigation about the use of a spatiotemporal autoencoder trained on thermal and visual data, as a mechanism for the automatic detection of human falls. In addition, there is a presentation of a set of data created to simulate such events and used to train and test the algorithm.	en
heal.advisorName	Δουλάμης, Αναστάσιος	el
heal.advisorName	Doulamis, Anastasios	en
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Ιωαννίδης, Χαράλαμπος	el
heal.committeeMemberName	Doulamis, Anastasios	en
heal.committeeMemberName	Doulamis, Nikolaos	en
heal.committeeMemberName	Ioannidis, Charalabos	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Φωτογραμμετρίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	75 σ.	el
heal.fullTextAvailability	false