This thesis work focuses on the study of Deep Learning networks for the detection of objects and the most famous datasets and competitions. We create a dataset with images taken partly from the most famous dataset and partly with images produced and annotated by hand and we train the network Yolo v2 with this dataset. The network was tested on a test set consisting of self-produced images and videos and the detection results were evaluated. This study has been applied to solve the "Activities of Daily Living " (ADL) problem by establishing a rule for associating objects detected with daily actions. The aim of this study is to assist the patient's medical monitoring in post-traumatic events, in the support of retrospective memory but also in dietary evaluation, support for autism, assessment of travel behaviour and and the recognition of physical activities.

Questo lavoro di tesi si concentra sullo studio delle reti di Deep Learning per il rilevamento di oggetti e dei dataset e delle competizioni più famose al giorno d'oggi. Si è costituito un dataset con immagini in parte tratte da quelli più famosi e in parte con immagini auto prodotte e annotate a mano e si è effettuato il training della rete Yolo v2. Si è testata la rete su un test set costituito da immagini e video autoprodotti e si sono valutati i risultati della detection. Si è applicato tale studio per risolvere il problema delle "Activities of Daily Living" (ADL) stabilendo una regola di associazione degli oggetti rilevati alle azioni quotidiane. Lo scopo di tale studio è di aiutare il monitoraggio medico del paziente in eventi post-traumatici, nel supporto della memoria retrospettiva ma anche nella valutazione dietetica, nel supporto per l'autismo, nella valutazione del comportamento di viaggio e di quello sedentario e nel riconoscimento delle attività fisiche.

Applicazione del Deep Learning al riconoscimento delle "Activities of Daily Living"

LANZO, SERENA
2016/2017

Abstract

Questo lavoro di tesi si concentra sullo studio delle reti di Deep Learning per il rilevamento di oggetti e dei dataset e delle competizioni più famose al giorno d'oggi. Si è costituito un dataset con immagini in parte tratte da quelli più famosi e in parte con immagini auto prodotte e annotate a mano e si è effettuato il training della rete Yolo v2. Si è testata la rete su un test set costituito da immagini e video autoprodotti e si sono valutati i risultati della detection. Si è applicato tale studio per risolvere il problema delle "Activities of Daily Living" (ADL) stabilendo una regola di associazione degli oggetti rilevati alle azioni quotidiane. Lo scopo di tale studio è di aiutare il monitoraggio medico del paziente in eventi post-traumatici, nel supporto della memoria retrospettiva ma anche nella valutazione dietetica, nel supporto per l'autismo, nella valutazione del comportamento di viaggio e di quello sedentario e nel riconoscimento delle attività fisiche.
ITA
This thesis work focuses on the study of Deep Learning networks for the detection of objects and the most famous datasets and competitions. We create a dataset with images taken partly from the most famous dataset and partly with images produced and annotated by hand and we train the network Yolo v2 with this dataset. The network was tested on a test set consisting of self-produced images and videos and the detection results were evaluated. This study has been applied to solve the "Activities of Daily Living " (ADL) problem by establishing a rule for associating objects detected with daily actions. The aim of this study is to assist the patient's medical monitoring in post-traumatic events, in the support of retrospective memory but also in dietary evaluation, support for autism, assessment of travel behaviour and and the recognition of physical activities.
IMPORT DA TESIONLINE
File in questo prodotto:
File Dimensione Formato  
822415_tesiserenalanzo.pdf

non disponibili

Tipologia: Altro materiale allegato
Dimensione 31.4 MB
Formato Adobe PDF
31.4 MB Adobe PDF

Se sei interessato/a a consultare l'elaborato, vai nella sezione Home in alto a destra, dove troverai le informazioni su come richiederlo. I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Usare il seguente URL per citare questo documento: https://hdl.handle.net/20.500.14240/49278