Εφαρμογή τεχνικών Βαθιάς Μάθησης σε ανεπαρκώς τιτλοφορημένα δεδομένα αισθητήρων για την αναγνώριση χειρονομιών – On applying Deep Learning techniques to insufficient labeled sensor data for gesture recognition.
Χρηματοδότηση: € 45.545,50 Επιχειρησιακό Πρόγραμμα «Ανάπτυξη Ανθρώπινου Δυναμικού,Εκπαίδευση και Δια Βίου Μάθηση 2014-2020»
Η πράξη συγχρηματοδοτείται από το Ευρωπαϊκό Κοινωνικό Ταμείο (ΕΚΤ).
Αντικείμενο της προτεινόμενης έρευνας αποτελεί η ανάπτυξη, δοκιμή και αξιολόγηση ενός μοντέλου Μηχανικής Μάθησης (Machine Learning) το οποίο θα επιτρέπει στους χρήστες φορετών συσκευών (wearable) να κάνουν χρήση προσωποποιημένων εφαρμογών επίγνωσης πλαισίου (context-aware) με στόχο την ευρύτερη βελτίωση της ποιότητας ζωής τους.
Κωδικός ΟΠΣ 5050324
Τα αποτελέσματα από το συγκεκριμένο έργο ήταν η συγγραφή δύο επιστημονικών άρθρων τα οποία αποτελούν και παραδοτέα του έργου:
- «Introducing and benchmarking a one-shot learning gesture recognition dataset» το οποίο υπεβλήθη και παρουσιάστηκε στο διεθνές συνέδριο 10th EAI International Conference on Big Data Technologies and Applications (BDTA) 2020. Το συλλεχθέν σύνολο δεδομένων SENSED (εικόνα 1) παρατίθεται στην πλατφόρμα GitHub για ερευνητικούς σκοπούς.
Εικόνα 1: Ενδεικτικοί χαρακτήρες από το σύνολο δεδομένων SENSED
- «Modality-wise relational reasoning for one-shot sensor-based activity recognition», το οποίο υπεβλήθη στο διεθνές επιστημονικό περιοδικό Elsevier Pattern Recognition Letters και περιλαμβάνεται στη λίστα SCI, με Impact Factor: 3,756. Οι αλγόριθμοι βαθιάς μάθησης (εικόνα 2) που αναπτύχθηκαν παρατίθενται, επίσης, στην πλατφόρμα GitHub για ερευνητικούς σκοπούς.
Εικόνα 2: Αλγόριθμος σχεσιακής συλλογιστικής για την αναγνώριση ανθρώπινων δραστηριοτήτων σε ανεπαρκώς τιτλοφορημένα δεδομένα αισθητήρων.