Università di Genova logo, link al sitoUniRe logo, link alla pagina iniziale
    • English
    • italiano
  • English 
    • English
    • italiano
  • Login
View Item 
  •   DSpace Home
  • Tesi
  • Tesi di Laurea
  • Laurea Magistrale
  • View Item
  •   DSpace Home
  • Tesi
  • Tesi di Laurea
  • Laurea Magistrale
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Analisi di Immagini Basata su Tecniche di Deep Learning e Edge Computing

Thumbnail
View/Open
tesi26680513.pdf (5.921Mb)
Author
Ferrari, Michele <1996>
Date
2023-12-13
Data available
2023-12-21
Abstract
Le Scienze Marine affrontano una sfida notevole per osservare la biodiversità in mare. I dispositivi di acquisizione immagini che operano sotto il livello del mare devono operare in ambienti difficile, senza poter contare su una fornitura energetica continua e con scarse se non assenti possibilità di comunicare con la terra ferma. Questi dispositivi possono beneficiare del Deep Learning per ottenere informazioni basate sul contenuto delle immagini che catturano e quindi sfruttarle per prendere delle decisioni. L'utilizzo di dispositivi di Edge Computing e la scarsa disponibilità energetica richiedono che gli algoritmi di Deep Learning siano ottimizzati per il tipo di applicazione. In questa tesi ci poniamo l'obbiettivo di ricercare una pipeline di object detection per il riconoscimento di specie di pesci in ambiente sottomarino che possa minimizzare il tempo di risposta, il consumo energetico e la banda utilizzata per la trasmissione dei dati. Attraverso una revisione della letteratura disponibile sul tema e le esistenti applicazioni su dispositivi di Edge Computing, verranno eseguiti dei test per selezionare le migliori architetture in termini di latenza nella risposta e consumo energetico. Inoltre verranno eseguiti dei profili applicativi per quantificare quale sia il costo di elaborazione per ogni immagine, per poter supportare le decisioni implementative di un dispositivo simile,
 
Marine scientists face a remarkable challenge to observe biodiversity at sea. Underwater imaging devices have to operate in difficult environments with shortage of power and little to none chance to land communication. These devices can benefit from Deep Learning in order to get content based knowledge from the images they acquire and thus take actions according to specific interests. The use of Edge Computing devices with limited comput- ing capabilities, the lack of a stable power supply requires Deep Learning algorithms to be specifically tuned for the job. In this thesis we pose the objective to research an ob- ject detection pipeline for underwater fish imagery that minimizes execution times, power usage and transmission bandwidth. We review the literature and the existing Edge Com- puting applications, in order to select the best performing object detection architectures by benchmarking their performances in terms of response and power consumption. We also give a profile of the full pipeline in terms of cost per image, to better support decisions making when projecting such kind of devices.
 
Type
info:eu-repo/semantics/masterThesis
Collections
  • Laurea Magistrale [5659]
URI
https://unire.unige.it/handle/123456789/7219
Metadata
Show full item record

UniRe - Università degli studi di Genova | Contact Us
 

 

All of DSpaceCommunities & Collections

My Account

Login

UniRe - Università degli studi di Genova | Contact Us