Adapting Sensor Data Collection driven by Context Hints

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!