ETD system

Electronic theses and dissertations repository

 

Tesi etd-02212018-113600


Thesis type
Elaborati finali per laurea triennale
Author
VASELLI, ALESSANDRO
URN
etd-02212018-113600
Title
Deep learning per l'identificazione della fauna selvatica
Struttura
INGEGNERIA DELL'INFORMAZIONE
Corso di studi
INGEGNERIA DELLE TELECOMUNICAZIONI
Commissione
relatore Ing. Giordano, Stefano
Parole chiave
  • Identificazione
  • Fog computing
  • Fauna selvatica
  • Edge computing
  • Deep Learning
Data inizio appello
19/02/2018;
Consultabilità
completa
Riassunto analitico
Negli ultimi anni è aumentata sempre più la richiesta di dispositivi intelligenti e per soddisfare tale richiesta è cresciuta in maniera esponenziale la ricerca e lo sviluppo nell’ambito dell’intelligenza artificiale. <br>In questo contesto, le reti neurali e il Deep learning stanno subendo uno sviluppo fortissimo, in quanto con le nuove tecnologie e centri di calcolo sempre più performanti, si riesce ad effettuare operazioni che fino ad un decennio fa sembravano impossibili a causa di tempi di processing troppo elevati. <br>Nel caso specifico, analizzeremo il problema dell’image recognition sfruttando tecniche di deep learning. L’image recognition consiste nell’individuare oggetti, animali, persone, trame specifiche, dette pattern, presenti in un immagine o in un video. Una volta individuato ciò che serve, possiamo poi attivare un sistema o un servizio legato a ciò che stiamo osservando, come per esempio l’arresto immediato di un veicolo in caso di pericolo imminente. Si può sfruttare l’image recognition anche in ambito medico per fare diagnosi a partire da una risonanza magnetica, da una PET, raggi X e cosi via <br>oppure per riconoscere un animale nocivo o pericoloso in avvicinamento ad un confine. <br>In questa tesi inoltre si affronterà brevemente la possibilità di sfruttare una configurazione Edge/Cloud che permette di ottenere velocità nell’addestramento delle reti neurali, capacità di operare real-time, elasticità, resistenza dell’intero sistema in caso di guasti. Tale configurazione permette di avere costi ridotti grazie all’utilizzo di strumenti meno costosi nella regione di sensing e nella regione di Edge. <br>E’ stato inoltre simulato un sistema di riconoscimento della fauna grazie all’utilizzo di codice Matlab, con il fine di trasformare una rete neurale pre-addestrata al riconoscimento di oggetti comuni, come penne, matite, finestre, ecc... , in una rete addestrata strettamente all’identificazione di daini,cinghiali e lupi in ambito boschivo.
File