Show simple item record

dc.contributor.advisorOdone, Francesca <1971>
dc.contributor.advisorD'Agostino, Daniele <1976>
dc.contributor.authorFerrari, Michele <1996>
dc.contributor.otherSimone Marini
dc.date.accessioned2023-12-21T15:20:02Z
dc.date.available2023-12-21T15:20:02Z
dc.date.issued2023-12-13
dc.identifier.urihttps://unire.unige.it/handle/123456789/7219
dc.description.abstractLe 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,it_IT
dc.description.abstractMarine 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.en_UK
dc.language.isoen
dc.rightsinfo:eu-repo/semantics/openAccess
dc.titleAnalisi di Immagini Basata su Tecniche di Deep Learning e Edge Computingit_IT
dc.title.alternativeContent-based Image Analysis based on Deep Learning and  Edge-computing solutionsen_UK
dc.typeinfo:eu-repo/semantics/masterThesis
dc.subject.miurINF/01 - INFORMATICA
dc.subject.miurINF/01 - INFORMATICA
dc.publisher.nameUniversità degli studi di Genova
dc.date.academicyear2022/2023
dc.description.corsolaurea10852 - COMPUTER SCIENCE
dc.description.area7 - SCIENZE MAT.FIS.NAT.
dc.description.department100023 - DIPARTIMENTO DI INFORMATICA, BIOINGEGNERIA, ROBOTICA E INGEGNERIA DEI SISTEMI


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record