Σύστημα καταμέτρησης πλήθους με χρήση μηχανικής μάθησης
Διπλωματική Εργασία
| Επιβλέπων | Παναγιώτης Τσανάκας |
|---|---|
| Συσχετιζόμενο μάθημα | Τεχνολογίες Υπηρεσιών Λογισμικού |
Περιγραφή
ΠΕΡΙΛΗΨΗ: Σκοπός της εργασίας είναι η υλοποίηση συστήματος καταμέτρησης πλήθους με χρήση αλγορίθμων μηχανικής μάθησης
ΠΛΑΤΦΟΡΜΑ ΕΡΓΑΣΙΑΣ: Python, Βιβλιοθήκες μηχανικής μάθησης, NVidia JETSON pack
ΣΥΝΤΟΜΗ ΠΕΡΙΓΡΑΦΗ: Ένα σύστημα καταμέτρησης πλήθους χρησιμοποιεί αλγορίθμους ανάλυσης εικόνας και βίντεο, συχνά με τη βοήθεια τεχνητής νοημοσύνης, για την ακριβή μέτρηση και παρακολούθηση της πυκνότητας και της ροής ανθρώπων σε έναν χώρο. Τα συστήματα αυτά βρίσκουν εφαρμογή σε ποικίλα περιβάλλοντα, όπως εκδηλώσεις, εμπορικά κέντρα, αεροδρόμια και σταθμούς ελέγχου συνόρων, με σκοπό την καλύτερη επίγνωση κατάστασης.
Στόχος της εργασίας είναι η υλοποίηση συστήματος καταμέτρησης πλήθους και η συγκριτική αξιολόγηση διαφόρων αλγορίθμων τεχνητής νοημοσύνης με στόχο την καταμέτρηση πλήθους μέσω της πιλοτικής εφαρμογής του, σε σημεία προκαθορισμένα σημεία ελέγχων.
Τα στάδια εκπόνησης της διπλωματικής εργασίας προβλέπονται ως εξής:
- Μελέτη σχετικής βιβλιογραφίας
- Επιλογή αλγορίθμων τεχνητής νοημοσύνης προς αξιολόγηση (πχ Yolo, Mobilenet κλπ)
- Επιλογή δεδομένων από την πιλοτική εφαρμογή και εκπαίδευση των μοντέλων
- Υλοποίηση συστήματος
- Σύγκριση αλγορίθμων και αξιολόγηση πειραματικών αποτελεσμάτων
ΣΧΕΤΙΚΟ ΥΛΙΚΟ
[1] Vishwanath A. Sindagi, Vishal M. Patel, A survey of recent advances in CNN-based single image crowd counting and density estimation, Pattern Recognition Letters, Volume 107, 2018, Pages 3-16, ISSN 0167-8655, https://doi.org/10.1016/j.patrec.2017.07.007.
[2] Chrysler, A, Rivaldi Gunarso, Triladias Puteri and H L H S Warnars. “A literature review of crowd-counting system on convolutional neural network.” IOP Conference Series: Earth and Environmental Science 729 (2021) https://doi.org/10.1088/1755-1315/729/1/012029
[3] Gao, Guangshuai, Junyu Gao, Qingjie Liu, Qi Wang and Yunhong Wang. “CNN-based Density Estimation and Crowd Counting: A Survey.” ArXiv abs/2003.12783 (2020) https://doi.org/10.48550/arXiv.2003.12783
[4] Muhammad Asif Khan, Hamid Menouar, and Ridha Hamila. 2023. Revisiting crowd counting: State-of-the-art, trends, and future perspectives. Image Vision Comput. 129, C (Jan 2023). https://doi.org/10.1016/j.imavis.2022.104597
Επικοινωνία: Μάριος Κόνιαρης (mkoniari@central.ntua.gr), Μέλος Ε.ΔΙ.Π
Τσανάκας Παναγιώτης (panag@cs.ntua.gr)