Computer Vision on the Edge

Detalhes bibliográficos
Autor(a) principal: Semitela, António Filipe Correia
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/97997
Resumo: Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
id RCAP_2b67c26eccfdeb135f3bd59c2fcaebb1
oai_identifier_str oai:estudogeral.uc.pt:10316/97997
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Computer Vision on the EdgeVisão computacional em Edge.Visão ComputacionalDeteção de ObjectosRedes Neuronais de ConvoluçãoRedes Neuronais ProfundasComputer VisionDeep Neural NetworksConvolution Neural NetworksObject DetectionDissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e TecnologiaDado o crescimento ao longo dos anos nas capacidades de processamento de CPU e GPU eos avanços feitos na área de Deep Learning, é possível desenvolver modelos e arquiteturasde visão computacional mais complexos. Algoritmos de visão computacional estão presentese em execução em vários dispositivos e dispositivos do nosso dia-à-dia, desde carrosautónomos até o reconhecimento facial em smartphones.O objetivo deste trabalho passa por implementar uma solução eficiente que, através do usode Redes Neuronais Convolucionais e técnicas de Deep Learning, seja capaz de identificar eclassificar veículos com bom desempenho. A solução deve ser capaz de correr num EdgeHardware Device a ser colocado no SmartLamppost da Ubiwhere, um poste de luz que podeconter diferentes módulos, como câmeras e edge nodes capazes de processar dados. Será útil em tarefas como contagem e classificação de veículos que passam por uma determinadaárea, usando o feed de vídeo das câmeras.Para atingir este objetivo, diferentes abordagens foram seguidas para desenvolver o modelofinal. Desde a criação e optimização de um modelo, para a utilização de modelos pré treinados. A escolha final foi de uma estrutura de One-Stage Detectors, otimizados paravelocidade em dispositivos móveis. Como resultado, o modelo final obteve bons resultadosque alcançaram 39.36 % de mAP no dataset COCO e bons valores de inferência nodispositivo de edge.Este documento também apresenta um estudo do estado da arte na detecção e classificaçãode objetos em geral e, especificamente, sobre os diferentes modelos de detecção de objetos mais adequados para a detecção em tempo real.Given the growth over the years in CPU and GPU processing capabilities and the advancementsmade in Deep Learning, it is now possible to develop more complex ComputerVision models and architectures. As a result, Computer Vision algorithms are presentand running in multiple devices and objects of our daily lives, from self-driving cars tosmartphone facial recognition.The goal of the present work is to implement an efficient model that can identify andclassify cars with good performance through the use of Convolutional Neural Networksand Deep Learning techniques. The solution should run on an Edge Hardware Device tobe placed in Ubiwhere’s SmartLamppost. This lamppost can contain different modules,such as cameras and edge nodes capable of processing data. It will be useful in counting andclassifying vehicles passing through a certain area, using the video feed from the cameras.To achieve this goal, different approaches were followed to develop the final model, fromcreating and optimizing a model to using pre-trained models. The final choice was a OneStage Detectors structure, optimized for speed on edge devices. As a result, the finalmodel obtained good results that reached 39.36 % of mAP in the COCO dataset and goodinference values on the edge device.This document also presents a study of state of the art in detecting and classifying objectsin general, and specifically about the different object detection models more suited forreal-time detection and the concepts that were essential for the realization of this work.2021-11-17info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/97997http://hdl.handle.net/10316/97997TID:202921069engSemitela, António Filipe Correiainfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2022-05-25T03:49:53Zoai:estudogeral.uc.pt:10316/97997Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:15:55.931178Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Computer Vision on the Edge
Visão computacional em Edge.
title Computer Vision on the Edge
spellingShingle Computer Vision on the Edge
Semitela, António Filipe Correia
Visão Computacional
Deteção de Objectos
Redes Neuronais de Convolução
Redes Neuronais Profundas
Computer Vision
Deep Neural Networks
Convolution Neural Networks
Object Detection
title_short Computer Vision on the Edge
title_full Computer Vision on the Edge
title_fullStr Computer Vision on the Edge
title_full_unstemmed Computer Vision on the Edge
title_sort Computer Vision on the Edge
author Semitela, António Filipe Correia
author_facet Semitela, António Filipe Correia
author_role author
dc.contributor.author.fl_str_mv Semitela, António Filipe Correia
dc.subject.por.fl_str_mv Visão Computacional
Deteção de Objectos
Redes Neuronais de Convolução
Redes Neuronais Profundas
Computer Vision
Deep Neural Networks
Convolution Neural Networks
Object Detection
topic Visão Computacional
Deteção de Objectos
Redes Neuronais de Convolução
Redes Neuronais Profundas
Computer Vision
Deep Neural Networks
Convolution Neural Networks
Object Detection
description Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
publishDate 2021
dc.date.none.fl_str_mv 2021-11-17
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/97997
http://hdl.handle.net/10316/97997
TID:202921069
url http://hdl.handle.net/10316/97997
identifier_str_mv TID:202921069
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134055864729600

Registros relacionados