Self-supervised learning techniques for monitoring industrial spaces

Detalhes bibliográficos
Autor(a) principal: Magalhães, Viviana Figueira
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/85434
Resumo: Dissertação de mestrado em Matemática e Computação
id RCAP_6cdef7b5ba788cdc0297f7141fcd3426
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/85434
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Self-supervised learning techniques for monitoring industrial spacesVisão por computadorDeep LearningSelf-supervised learningPretext tasksContrastive learningEspaços industriaisComputer visionIndustrial spacesCiências Naturais::MatemáticasDissertação de mestrado em Matemática e ComputaçãoEste documento é uma Dissertação de Mestrado com o título ”Self-Supervised Learning Techniques for Monitoring Industrial Spaces”e foi realizada e ambiente empresarial na empresa Neadvance - Machine Vision S.A. em conjunto com a Universidade do Minho. Esta dissertação surge de um grande projeto que consiste no desenvolvimento de uma plataforma de monitorização de operações específicas num espaço industrial, denominada SMARTICS (Plataforma tecnoló gica para monitorização inteligente de espaços industriais abertos). Este projeto continha uma componente de investigação para explorar um paradigma de aprendizagem diferente e os seus métodos - self-supervised learning, que foi o foco e principal contributo deste trabalho. O supervised learning atingiu um limite, pois exige anotações caras e dispendiosas. Em problemas reais, como em espaços industriais nem sempre é possível adquirir um grande número de imagens. O self-supervised learning ajuda nesses problemas, ex traindo informações dos próprios dados e alcançando bom desempenho em conjuntos de dados de grande escala. Este trabalho fornece uma revisão geral da literatura sobre a estrutura de self-supervised learning e alguns métodos. Também aplica um método para resolver uma tarefa de classificação para se assemelhar a um problema em um espaço industrial.This document is a Master’s Thesis with the title ”Self-Supervised Learning Techniques for Monitoring Industrial Spaces” and was carried out in a business environment at Neadvance - Machine Vision S.A. together with the University of Minho. This dissertation arises from a major project that consists of developing a platform to monitor specific operations in an industrial space, named SMARTICS (Plataforma tecnológica para monitorização inteligente de espaços industriais abertos). This project contained a research component to explore a different learning paradigm and its methods - self-supervised learning, which was the focus and main contribution of this work. Supervised learning has reached a bottleneck as they require expensive and time-consuming annotations. In real problems, such as in industrial spaces it is not always possible to require a large number of images. Self-supervised learning helps these issues by extracting information from the data itself and has achieved good performance in large-scale datasets. This work provides a comprehensive literature review of the self supervised learning framework and some methods. It also applies a method to solve a classification task to resemble a problem in an industrial space and evaluate its performance.Costa, M. Fernanda P.Ferreira, Manuel João OliveiraUniversidade do MinhoMagalhães, Viviana Figueira2023-03-152023-03-15T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/85434eng203325745info: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:RCAAP2023-07-21T11:58:26Zoai:repositorium.sdum.uminho.pt:1822/85434Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T18:48:09.303312Repositório 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 Self-supervised learning techniques for monitoring industrial spaces
title Self-supervised learning techniques for monitoring industrial spaces
spellingShingle Self-supervised learning techniques for monitoring industrial spaces
Magalhães, Viviana Figueira
Visão por computador
Deep Learning
Self-supervised learning
Pretext tasks
Contrastive learning
Espaços industriais
Computer vision
Industrial spaces
Ciências Naturais::Matemáticas
title_short Self-supervised learning techniques for monitoring industrial spaces
title_full Self-supervised learning techniques for monitoring industrial spaces
title_fullStr Self-supervised learning techniques for monitoring industrial spaces
title_full_unstemmed Self-supervised learning techniques for monitoring industrial spaces
title_sort Self-supervised learning techniques for monitoring industrial spaces
author Magalhães, Viviana Figueira
author_facet Magalhães, Viviana Figueira
author_role author
dc.contributor.none.fl_str_mv Costa, M. Fernanda P.
Ferreira, Manuel João Oliveira
Universidade do Minho
dc.contributor.author.fl_str_mv Magalhães, Viviana Figueira
dc.subject.por.fl_str_mv Visão por computador
Deep Learning
Self-supervised learning
Pretext tasks
Contrastive learning
Espaços industriais
Computer vision
Industrial spaces
Ciências Naturais::Matemáticas
topic Visão por computador
Deep Learning
Self-supervised learning
Pretext tasks
Contrastive learning
Espaços industriais
Computer vision
Industrial spaces
Ciências Naturais::Matemáticas
description Dissertação de mestrado em Matemática e Computação
publishDate 2023
dc.date.none.fl_str_mv 2023-03-15
2023-03-15T00:00:00Z
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 https://hdl.handle.net/1822/85434
url https://hdl.handle.net/1822/85434
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 203325745
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
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_ 1799132241966661632

Registros relacionados