Publication
Benchmark de Sistemas Embebidos para Machine Learning em Visão Computacional
| dc.contributor.advisor | Dias, André Miguel Pinheiro | |
| dc.contributor.author | Lopes, Miguel Ângelo Lourenço | |
| dc.date.accessioned | 2022-02-09T16:21:56Z | |
| dc.date.available | 2022-10-18T00:31:11Z | |
| dc.date.issued | 2021 | |
| dc.description.abstract | Machine learning é um método poderoso para construir modelos que usam dados para fazer previsões: de uma forma simplificada, ´e um campo que dá aos computadores a habilidade de ”aprenderem” sem terem de ser programados diretamente. Os sistemas embebidos, normalmente os microcontroladores, são caracterizados pela existência de limitações no número de ciclos de processamento, memória, tamanho, peso, consumo de energia e custo, o que torna o machine learning difícil de implementar. No entanto com a evolução da tecnologia, o machine learning está agora acessível num maior número de dispositivos com baixos recursos computacionais. Esta dissertação centrou-se na comparação de alguns sistemas com baixos recursos computacionais para machine learning na classificação de imagens. Esta comparação foi obtida através da análise de diferentes arquiteturas de hardware, escolhendo um algoritmo que exige uma grande quantidade de cálculos e utilizando diferentes bibliotecas para machine learning. | pt_PT |
| dc.description.abstract | Machine learning is a powerful method for build models that use data to make provisions, in a simple way, is a field that give to computers the ability to ”learn” without having to be programmed directly. Embedded systems, usually microcontrollers, are characterized by the limitations in the number of cycles of processament, memory, size, weight, power and cost, what makes machine learning hard to implement in embedded systems. However, as technology evolves, machine learning is easy to implement on low-resource devices. The main focus of this dissertation is the comparison of low resources systems for machine learning in image classification. This comparison was made with the analysis of different hardware architectures, choosing an algorithm that requires a large amount of calculations and using different libraries for machine learning. | pt_PT |
| dc.identifier.tid | 202796922 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.22/19855 | |
| dc.language.iso | por | pt_PT |
| dc.subject | Machine Learning | pt_PT |
| dc.subject | Sistemas embebidos | pt_PT |
| dc.subject | Visão artificial | pt_PT |
| dc.subject | Arquiteturas de hardware | pt_PT |
| dc.subject | Embedded systems | pt_PT |
| dc.subject | Artificial vision | pt_PT |
| dc.subject | Hardware architectures | pt_PT |
| dc.title | Benchmark de Sistemas Embebidos para Machine Learning em Visão Computacional | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Engenharia Eletrotécnica e de Computadores - Sistemas Autónomos | pt_PT |
Files
Original bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- DM_MiguelLopes_2021_MEEC.pdf
- Size:
- 5.57 MB
- Format:
- Adobe Portable Document Format