Αναγνώριση ανθρώπινης δραστηριότητας με χρήση μεθόδων βαθιάς μάθησης
Στη παρούσα διπλωματική εργασία έγινε μια προσπάθεια εφαρμογής μεθόδων βαθιάς μάθησης για την αναγνώριση ανθρώπινων δραστηριοτήτων καθημερινής ζωής. Το πρόβλημα ανήκει στο ευρύτερο πεδίο της αναγνώρισης μοτίβων και, πιο συγκεκριμένα, αποτελεί ένα πρόβλημα κατηγοριοποίησης πολλαπλών κλάσεων. Το σύνολ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2020
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/12926 |
| id |
nemertes-10889-12926 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-129262022-09-05T05:38:01Z Αναγνώριση ανθρώπινης δραστηριότητας με χρήση μεθόδων βαθιάς μάθησης Human activity recognition using deep learning methods Μενύχτας, Βασίλειος Μεγαλοοικονόμου, Βασίλειος Μακρής, Χρήστος Menychtas, Vasileios Αναγνώριση ανθρωπίνων δραστηριοτήτων Βαθιά μάθηση Human activity recognition Deep learning PyTorch 006.37 Στη παρούσα διπλωματική εργασία έγινε μια προσπάθεια εφαρμογής μεθόδων βαθιάς μάθησης για την αναγνώριση ανθρώπινων δραστηριοτήτων καθημερινής ζωής. Το πρόβλημα ανήκει στο ευρύτερο πεδίο της αναγνώρισης μοτίβων και, πιο συγκεκριμένα, αποτελεί ένα πρόβλημα κατηγοριοποίησης πολλαπλών κλάσεων. Το σύνολο δεδομένων που χρησιμοποιήθηκε για τις ανάγκες της εργασίας περιέχει καταγραφές από ένα μεγάλο πλήθος αισθητήρων διαφόρων τύπων, οι οποίες έχουν διεξαχθεί κατά τη διάρκεια εξομοίωσης ενός σεναρίου πρωινού γεύματος. Η διεξαγωγή της εξομοίωσης είχε στόχο την επίτευξη φυσικότητας όσον αφορά τις ενέργειες και δραστηριότητες των εθελοντών, ενώ η διαδικασία της καταγραφής επιδίωκε την προσέγγιση ρεαλιστικών συνθηκών καταγραφής. Τα μοντέλα που αναπτύχθηκαν στα πλαίσια της εργασίας αποτελούν καταρχάς νευρωνικά δίκτυα μακράς βραχυπρόθεσμης μνήμης, ή αλλιώς LSTM, τα οποία ανήκουν στη κατηγορία των επαναληπτικών δικτύων. Το δεύτερο είδος μοντέλων που αναπτύχθηκε βασίζεται σε ένα συνδυαστικό μοντέλο μηχανικής μάθησης που ονομάζεται Ensemble. Τα συνδυαστικό αυτά μοντέλα που δημιουργήθηκαν αποτελούνται εν μέρη από υποσύνολα των LSTM μοντέλων που αναπτύχθηκαν. Με την ολοκλήρωση της υλοποίησης και την εξαγωγή των αποτελεσμάτων μπορέσαμε στη συνέχεια να συγκρίνουμε τις μεθόδους και να βγάλουμε συμπεράσματα σχετικά με την εκπαίδευση αλλά και την εφαρμογή τους στο πρόβλημα της αναγνώρισης ανθρώπινης δραστηριότητας. Η υλοποίηση έγινε σε Python με τη βοήθεια της βιβλιοθήκης μηχανικής μάθησης PyTorch, ενώ τα μοντέλα εκπαιδεύτηκαν και τρέξανε σε επιταχυντές γραφικών της Nvidia. This thesis is an attempt to apply deep learning methods on the problem of recognition of daily life human activities. This problem is part of the wide field of pattern recognition and is a multiclass problem in specific. The dataset used for the purpose of this thesis contains logs from a vast number of various types of sensors, all of which were recorded during the simulation of a scenario of a morning routine. The purpose of the simulation was to achieve naturalness in the actions and activities of the volunteers, while recording attempted to approach realistic recording conditions. The models developed in the course of this work are, firstly, long-term memory types of neural networks, or LSTM, which belong to the category of recurrent neural networks. The second model developed was based on a combining model of machine learning called Ensemble. The combining models developed partially consist of subsets of the LSTM models previously developed. By completing our implementation and extracting results we were able to compare the two methods and make conclusions in regards to their training procedure and the application of them for the problem of human activity recognition. Implementation was made with Python using the PyTorch machine learning library, while the models were trained and run on Nvidia graphics accelerators. 2020-01-14T16:31:02Z 2020-01-14T16:31:02Z 2019-07 Thesis http://hdl.handle.net/10889/12926 gr 6 application/octet-stream application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Αναγνώριση ανθρωπίνων δραστηριοτήτων Βαθιά μάθηση Human activity recognition Deep learning PyTorch 006.37 |
| spellingShingle |
Αναγνώριση ανθρωπίνων δραστηριοτήτων Βαθιά μάθηση Human activity recognition Deep learning PyTorch 006.37 Μενύχτας, Βασίλειος Αναγνώριση ανθρώπινης δραστηριότητας με χρήση μεθόδων βαθιάς μάθησης |
| description |
Στη παρούσα διπλωματική εργασία έγινε μια προσπάθεια εφαρμογής μεθόδων βαθιάς μάθησης για την αναγνώριση ανθρώπινων δραστηριοτήτων καθημερινής ζωής. Το πρόβλημα ανήκει στο ευρύτερο πεδίο της αναγνώρισης μοτίβων και, πιο συγκεκριμένα, αποτελεί ένα πρόβλημα κατηγοριοποίησης πολλαπλών κλάσεων. Το σύνολο δεδομένων που χρησιμοποιήθηκε για τις ανάγκες της εργασίας περιέχει καταγραφές από ένα μεγάλο πλήθος αισθητήρων διαφόρων τύπων, οι οποίες έχουν διεξαχθεί κατά τη διάρκεια εξομοίωσης ενός σεναρίου πρωινού γεύματος. Η διεξαγωγή της εξομοίωσης είχε στόχο την επίτευξη φυσικότητας όσον αφορά τις ενέργειες και δραστηριότητες των εθελοντών, ενώ η διαδικασία της καταγραφής επιδίωκε την προσέγγιση ρεαλιστικών συνθηκών καταγραφής.
Τα μοντέλα που αναπτύχθηκαν στα πλαίσια της εργασίας αποτελούν καταρχάς νευρωνικά δίκτυα μακράς βραχυπρόθεσμης μνήμης, ή αλλιώς LSTM, τα οποία ανήκουν στη κατηγορία των επαναληπτικών δικτύων. Το δεύτερο είδος μοντέλων που αναπτύχθηκε βασίζεται σε ένα συνδυαστικό μοντέλο μηχανικής μάθησης που ονομάζεται Ensemble. Τα συνδυαστικό αυτά μοντέλα που δημιουργήθηκαν αποτελούνται εν μέρη από υποσύνολα των LSTM μοντέλων που αναπτύχθηκαν. Με την ολοκλήρωση της υλοποίησης και την εξαγωγή των αποτελεσμάτων μπορέσαμε στη συνέχεια να συγκρίνουμε τις μεθόδους και να βγάλουμε συμπεράσματα σχετικά με την εκπαίδευση αλλά και την εφαρμογή τους στο πρόβλημα της αναγνώρισης ανθρώπινης δραστηριότητας.
Η υλοποίηση έγινε σε Python με τη βοήθεια της βιβλιοθήκης μηχανικής μάθησης PyTorch, ενώ τα μοντέλα εκπαιδεύτηκαν και τρέξανε σε επιταχυντές γραφικών της Nvidia. |
| author2 |
Μεγαλοοικονόμου, Βασίλειος |
| author_facet |
Μεγαλοοικονόμου, Βασίλειος Μενύχτας, Βασίλειος |
| format |
Thesis |
| author |
Μενύχτας, Βασίλειος |
| author_sort |
Μενύχτας, Βασίλειος |
| title |
Αναγνώριση ανθρώπινης δραστηριότητας με χρήση μεθόδων βαθιάς μάθησης |
| title_short |
Αναγνώριση ανθρώπινης δραστηριότητας με χρήση μεθόδων βαθιάς μάθησης |
| title_full |
Αναγνώριση ανθρώπινης δραστηριότητας με χρήση μεθόδων βαθιάς μάθησης |
| title_fullStr |
Αναγνώριση ανθρώπινης δραστηριότητας με χρήση μεθόδων βαθιάς μάθησης |
| title_full_unstemmed |
Αναγνώριση ανθρώπινης δραστηριότητας με χρήση μεθόδων βαθιάς μάθησης |
| title_sort |
αναγνώριση ανθρώπινης δραστηριότητας με χρήση μεθόδων βαθιάς μάθησης |
| publishDate |
2020 |
| url |
http://hdl.handle.net/10889/12926 |
| work_keys_str_mv |
AT menychtasbasileios anagnōrisēanthrōpinēsdrastēriotētasmechrēsēmethodōnbathiasmathēsēs AT menychtasbasileios humanactivityrecognitionusingdeeplearningmethods |
| _version_ |
1771297158251675648 |
