1 / 19

Adapting Sensor Data Collection driven by Context Hints

Alma Mater Studiorum – Università di Bologna Facoltà di Ingegneria. Adapting Sensor Data Collection driven by Context Hints. Corso di Laurea Specialistica in Ingegneria Informatica Reti di Calcolatori LS. CANDIDATO: Alessio Della Motta. RELATORE: Chiar.mo Prof. Antonio Corradi.

phoebe
Télécharger la présentation

Adapting Sensor Data Collection driven by Context Hints

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Alma Mater Studiorum – Università di Bologna Facoltà di Ingegneria Adapting Sensor Data Collection driven by Context Hints Corso di Laurea Specialistica in Ingegneria Informatica Reti di Calcolatori LS CANDIDATO: Alessio Della Motta RELATORE: Chiar.mo Prof. Antonio Corradi CORRELATORI: Prof.ssa Nalini Venkatasubramanian Dott. Ronen Vaisenberg Anno Accademico 2008/2009 Sessione III

  2. Agenda • Overview. • Struttura del Sistema. • Approccio al Problema. • Ipotesi ed Assunzioni. • Architettura del Sistema. • Risultati Sperimentali. • Conclusioni e Sviluppi Futuri.

  3. Processo di Data Collection • Highly-instrumented spaces. • Difficoltà nel raccogliere e processare continuamente tutti i dati a causa di vincoli e limitazioni sulle risorse. • Occorre selezionare un sottoinsieme di sensori e relativi parametri ad ogni passo di collezione dei dati.

  4. Definizione del Problema • Affrontiamo una specifica istanza del problema di data collection. • Supponiamo di avere a disposizione n videocamereda cui raccogliere dati. • Si desidera: • Selezionare il migliore sottoinsieme di telecamere da campionare. • Per ognuna di esse indicare se effettuare uno zoom in una particolare regione del FOV (Field Of View) oppure no.

  5. Applicazioni • Applicazioni: • Ottimo banco di prova per strategie evolute di data collection. • Video sorveglianza: • Face detection per l’identificazione di persone. • Esempio di ciò che si vuole ottenere:

  6. Agenda • Overview. • Struttura del Sistema. • Approccio al Problema. • Ipotesi ed Assunzioni. • Architettura del Sistema. • Risultati Sperimentali. • Conclusioni e Sviluppi Futuri.

  7. Struttura del Sistema • Due macro-blocchi: • Blocco di acquisizione e processing dei dati: • Riceve i frame dalle videocamere (RAW Data). • Estrae informazioni relative alle entità presenti sulla scena (bounding-box). • Modulo di Data Collection: • Riceve i dati annotati con le informazioni sui bounding-box. • Determina il nuovo piano di data collection.

  8. Agenda • Overview. • Struttura del Sistema. • Approccio al Problema. • Ipotesi ed Assunzioni. • Architettura del Sistema. • Risultati Sperimentali. • Conclusioni e Sviluppi Futuri.

  9. Ipotesi e Assunzioni (I) • Partizioniamo lo spazio in specifiche e predeterminate regioni di interesse (cluster): • Si ricavano correlazioni probabilistiche tra tali regioni. • Effettuiamo lo zoom solamente in queste regioni. • Variazione dell’algoritmo di Kruskal per Minimum Spanning Tree, utilizzato come tecnica di clustering.

  10. Ipotesi e Assunzioni (II) • Si costruisce un modello probabilistico di correlazioni tra cluster: • Si sfrutta un training set di dati registrati. • È necessario per poter effettuare di volta in volta previsioni sul futuro stato del sistema e decidere dove zoomare o meno. N2T celle

  11. Agenda • Overview. • Struttura del Sistema. • Approccio al Problema. • Ipotesi ed Assunzioni. • Architettura del Sistema. • Risultati Sperimentali. • Conclusioni e Sviluppi Futuri.

  12. Architettura del Sistema (I)

  13. Architettura del Sistema (II) • Predictor: • Consideriamo gli stati passati del sistema: • Noisy-OR Model. • Decision Maker: • Cerchiamo di bilanciare tra la probabilità che qualcosa avvenga in un determinato cluster e la certezza che nulla accadrà negli altri della stessa videocamera.

  14. Agenda • Overview. • Struttura del Sistema. • Approccio al Problema. • Ipotesi ed Assunzioni. • Architettura del Sistema. • Risultati Sperimentali. • Conclusioni e Sviluppi Futuri.

  15. Risultati Sperimentali • Si considerano tre telecamere che monitorano aree connesse e adiacenti. • Si calcolano hit e miss del sistema per ogni cluster: • Hit quando si decide di effettuare uno zoom e si cattura effettivamente l’immagine di una persona. • Miss quando si effettua uno zoom, ma il cluster considerato non contiene alcuna entità. • Confronto tra diversi predictor e decision maker.

  16. Risultati – Probabilistic Model

  17. Risultati – Predictor Differenti • Introducendo semantica nel sistema si ottengono migliori performance. • Risultati analoghi nel confronto di differenti decision maker.

  18. Conclusioni e Sviluppi Futuri • È stato sviluppato un modulo di data collectionper sistemi ricchi di videocamere. • Si è visto come, introducendo semantica nel sistema, è possibile migliorare notevolmente le prestazioni delle strategie di data collection. • Moltipunti di miglioramento: • Algoritmo di clustering; • Utilizzare altre informazioni, oltre ai bounding-box; • Continuare il processo di learning anche durante l’esecuzione del sistema; • Modelli più articolati per le statistiche e la valutazione del sistema; • Estendere il sistema al caso di più sensori e più parametri.

  19. Fine Grazie a tutti per l’attenzione!

More Related