This thesis describes a comparison of several state-of-the-art methods used for re-identification of a person between several non-overlapping views captured by surveillance cameras. Since 2014, the focus of the area of person re-identification has been heavily oriented towards approaches employing the use of neural network due to the increase in performance shown from this approach. Three different methods employing convolutional neural networks as a means of attempting automatic person re-identification have mainly been evaluated in this thesis. These three methods are named Spatial-Temporal Person Re-identification (ST-reID), Top DropBlock Network (Top-DB-Net), and Adaptive L2 Regularization. A fourth method known as Multiple Expert Brainstorming Network (MEB-Net) using domain adaptation is used for comparison to the results of applying the trained models from the other three methods on an unseen environment. As an attempt at improving the results of applying the models on an unseen environment, two different approaches have been taken. The first of these is an attempt at segmenting the person from the background by creating a mask that encapsulates the person while disregarding the background, as opposed to using a rectangular cropped image for training and evaluating the methods. To do this, Mask-RCNN which is a framework for object instance segmentation is used. The second approach explored in this thesis is attempting automatic white balancing as a means of removing the effect of the illumination source of the scenes before the person images are extracted. Both approaches show positive results when the model is applied on an unseen environment as opposed to using the unchanged person images, although the results have not been able to match those that have been obtained using domain adaptation. / <p>Examensarbetet är utfört vid Institutionen för teknik och naturvetenskap (ITN) vid Tekniska fakulteten, Linköpings universitet</p>

Studien har för avsikt att förbättra kunskapen om vilka faktorer som påverkar cykelflödeten viss dag i Malmö. Vi har huvudsakligen undersökt frågor om, hur många grupperandekluster är optimalt för att kunna identifiera avvikande dagar och vilka är dess faktoreri en tidsserie cykelvolymdata? Vår arbetsmetod var att använda ett matchande tillvägagångssätt baserat på ett experiment tillsammans med en utvärderingsmetod. Arbetsmetoden skedde i en iterativ process där experimentet var att hitta rätt antal kluster ochdär utvärderingen var analysen av resultaten som producerades av experimentet. Datanerhållen från en cykelräknare belägen på Kaptensgatan i Malmö fick databearbetas medhjälp av normalisering då volymen av cyklister inte ska ha någon påverkan i studien. Syftetmed vårt arbete är att kunna identifiera avvikande datapunkter och dess faktorer med storinverkan på cykelflöden med hjälp av klusteranalys då detta kan leda till mer välinformerade beslut vid stads- och transportplanering. Om det gick att analysera cyklister där dessafaktorer elimineras så skulle detta leda till vidare utveckling och forskning av stor betydelseför Malmö stad. Genom att använda oss av klusteranalysen K-means och Euklidisk distanssom används som beräkning av distanser inom liknande områden kunde vi finna relevantakluster med avvikande datapunkter och faktorer med stor inverkan på cykelflödet. Vårtresultat visar att 7 kluster varav 2 av de delades upp till 6 mindre kluster, var det mest optimala för studien och faktorerna med en stor inverkan på de antal registrerade cyklisternaunder vissa dagar kunde då identifieras bäst. Faktorerna som identifierades var evenemang,festivaler, fotbollsmatcher, konserter, lovdagar, nederbörd och röda dagar. / This study aims to provide a deeper understanding of the different factors and their impacton the bicycle flow in Malmö during a certain day. We mainly examined the questions,what is the most optimal number of clusters needed in order to identify discrepancies, andwhich key factors have huge impact in a dataset? The choice of the method used in thisstudy is a matching approach based on experiment together with an evaluation method.The work method occurred in an iterative process, where the experiment was conductedto find the right number of clusters and the evaluation was the analysing of the resultsthat were produced by the experiment. The collected data from a bicycle counter, locatedin Kaptensgatan in Malmö, had to be processed with normalization to ensure that thevolume of the bicycles does not affect the study. The purpose of our study is to identifydiscrepancies and key factors that have huge implications on the bicycle flow with thehelp of cluster analysis that might lead to more well-informed decision in urban planningand transportation planning. If it were possible to analyze cyclists where these factorsare eliminated, this would lead to further development and research of great importancefor Malmö City. By using the cluster algorithm K-means, and Euclidean distance, whichis used as calculation of distances in similar areas, we could then find relevant clusterswith deviating data points and key factors with great impact on the bicycle flow. Ourresults shows that 7 clusters, 2 of which were divided up to 6 smaller clusters, were themost optimal for the study and the factors with a large impact on the number-registeredcyclists during certain days could then be best identified. The factors identified wereevents, festivals, football matches, concerts, rainfalls and holidays.

I detta projekt utvecklas ett halvautonomt program för att spela kortspelet UNO med fysiska kort. Objektdetektering med Cannymetoden och kontursökning används för att hitta korten på spelplanen. Dessa kort klassificeras med avseende på valör av ett egendesignat neuronnät. För färgade kort bestäms sedan färgen med traditionell bildanalys. Utifrån klassificering av valör och färg väljer programmet ett giltigt drag och fungerar därmed som en spelare. Valörklassificeringens prestanda jämfördes med neuronnäten ResNet-18 och SqueezeNet, medan färgigenkänningens prestanda enbart jämfördes med SqueezeNet. Klassificering av valör sker cirka fem respektive tre gånger snabbare i det egendesignade neuronnätet än i ResNet-18 respektive SqueezeNet. Dessutom är färgigenkänningen med traditionell bildanalys cirka 600 gånger snabbare än SqueezeNet. Vårt program har dock en riktighet på cirka 99% vid klassificering av valör och färg, vilket var lägre än riktigheten för ResNet-18 och SqueezeNet.

Automated manufacturing environments often benefit greatly from the ability to detect patterns that deviate from expected behavior. Anomaly Detection (AD) is vital in automated manufacturing to mitigate risks such as production delays, defects, and safety hazards, ensuring smooth operations and optimal productivity. AD tasks are commonly tackled using Machine Learning (ML). However, large feature sets are computationally expensive, potentially noisy and may make it challenging to understand the important factors driving the manufacturing process. To address these problems, feature selection methods are utilized. Feature selection is a technique which becomes increasingly important as high-dimensional data becomes more prevalent. In this study, our objective is to investigate how the performance of ML models trained on the Modular Ice cream Dataset on Anomalies in Sensors dataset (MIDAS) is influenced by the application of feature selection techniques. We evaluated the feature selection methods Variance Threshold (VT), F-test, χ2-test, Mutual In-formation (MI), Genetic Algorithm (GA) and Forward Selection (FS). The results showed that MI outperforms the other methods with respect to model accuracy, feature selection time and training time in Anomaly Classification (AC), but is slightly outperformed on accuracy in AD by FS. These results provide insights about feature selection methods for AD in automated manufacturing environments.

Det kan vara svårt att planera produktionen av varor som är starkt säsongsberoende, eftersom försäljningen snabbt kan öka i takt och det är svårt att veta exakt när på året den börjar göra det. Gasol är en sådan vara, där efterfrågan är avsevärt högre under sommarhalvåret än vinterhalvåret. Denna studie görs på uppdrag av AGA, den ledande aktören på gasolmarknaden i norden, med syfte att undersöka om maskininlärning kan användas för att förbättra deras produktionsplanering. Variationer av regressionsmodeller användes för detta, med resultatet att ingen metod, med tillräckligt hög säkerhet, kunde användas för att förutspå framtida efterfrågan på gasol och underlätta produktionsplaneringen. Anledningen till detta är att det inte användes tillräckligt många olika attribut och att de som användes inte hade tillräckligt stark korrelation. / Production planning for products with high seasonality can be difficult, as demand can increase rapidly, and it can be difficult to predict exactly when this increase will happen. Propane gas is such a product, where demand is significantly higher during summer than during winter. This study is conducted for AGA, the market leader for propane in the Nordic region, with the purpose to explore if machine learning can be used to improve their production planning. Different regression models where used to execute the study, with the result that none of them could be implemented with high enough proficiency to be used to predict future demand of propane and aid the production planning. The reason that the implementations failed was that too few input parameters where used for the machine learning models, and that those parameters that were used had too low correlation.​

The vast majority of computing hardware platforms available today are not desktop PCs. They are embedded systems, sensors and small specialized pieces of hardware present in almost every digital product available today. Due to the massive amount of information available through these devices we can find new and exciting ways to apply and benefit from machine learning. Many of these computing devices have specialized, resource-constrained architectures and it might be problematic to perform complicated computations. If such a system is under heavy load or has restricted performance, computational power is a valuable resource and costly algorithms must be avoided. \\This master thesis will present an in-depth study investigating the trade-offs between precision, latency and memory consumption of a selected set of machine learning algorithms implemented on a resource constrained multi-core telecom hardware platform. This report includes motivations for the selected algorithms, discusses the results of the algorithms execution on the hardware platform and offers conclusions relevant to further developments. / Majoriteten av beräkningsplattformarna som finns tillgängliga idag är inte stationära bordsdatorer. De är inbyggda system, sensorer och små specialiserade hårdvaror som finns i nästan alla digitala produkter tillgängliga idag. På grund av den enorma mängden information som finns tillgänglig via dessa enheter kan vi hitta nya och spännande sätt att dra nytta av maskininlärning. Många av dessa datorer har specialiserade, resursbegränsade arkitekturer och det kan vara problematiskt att utföra de komplicerade beräkningar som behövs. Om ett sådant system är tungt belastat eller har begränsad prestanda, är beräkningskraft en värdefull resurs och kostsamma algoritmer måste undvikas. \\ Detta masterprojekt kommer att presentera en djupgående studie som undersöker avvägningarna mellan precision, latens och minneskonsumtion av en utvald uppsättning maskininlärningsalgoritmer implementerade på en resursbegränsad flerkärnig telekom-maskinvaruplattform. Denna rapport innehåller motivationer för de valda algoritmerna, diskuterar resultaten av algoritmerna på hårdvaruplattformen och presenterar slutsatser som är relevanta för vidareutveckling.

Hypotension är vanligt förekommande vid anestesi och i den postoperativa fasen. Om blodtrycket sjunker till för låga nivåer eller pågår under för lång tid kan vitala organ som hjärta och njurar ta allvarlig skada. De flesta fall av hypotension behandlas idag retroaktivt. Med möjlighet att kunna upptäcka hypotension innan det uppstår skulle behandling kunna ske i ett förebyggande syfte och på så sätt minska tiden i hypotension för patienten. Med hjälp av maskininlärning går det att analysera blodtryckskurvor och kunna hitta vilka attribut i dem som kan förutse hypotension. Detta projekt har gått ut på att definiera och beräkna attribut för att i framtida arbeten kunna låta en maskininlärningsalgoritm analysera dem. Utöver detta har arbetet med signalbehandling skett för att kunna upptäcka bristande kvalitet på den analyserade signalen och kunna förbättra den vid behov. Målet att definiera och beräkna attribut har lyckats. Målet att kunna avgöra kvaliteten på signalen har lyckats delvis.

I samarbete med STIGA Sports AB undersöker den här rapporten stommar hos bordtennisracketar och sambandet mellan den subjektiva upplevelsen av snabbhet och deras egenskaper. Undersökningen fokuserar på de fysiska egenskaperna, tjocklek och vikt, skillnaden i produktion, form, handtagssort, limsort och lack, samt uppmätta frekvenssvar. Kategoriseringen av racketarna utfördes i samarbete med bordtennisspelare med ett så kallat knackningstest, en subjektiv men beprövad metod för att på ett effektivt sätt bedöma racketstommars snabbhet. Studien utgick från en maskininlärningsmodell av typen Random Forest för att rangordna egenskapernas betydelse med hjälp av Importance-funktionerna MDA, Permutation Feature Importance, och MDI, Random Forest Feature Importance. Datamängden bestod av 100 racketstommar av samma modell med varierandeegenskaper. Studiens resultat visar på betydelsen av mätdatans omfattning för att kunna dra allmängiltiga slutsatser. Detta till trots visar resultaten på trender vad gäller sambandet mellan den subjektiva upplevelsen och frekvenspikar, form samt densitetsfaktorn (vikt/tjocklek). Tydligast koppling återfanns mellan snabbhet och frekvenspiken motsvarande torsionmoden.

To produce paperboard is a complex process which requires sophisticated monitoring to achieve a paperboard of high quality. Holmen Iggesund is a company in the paperboard manufacturing industry, aiming to produce paperboard of world leading quality. Therefore, they continuously develop their knowledge the production process. In this study, conducted at Holmen Iggesund, the focus is the property of delamination, which is tested with a method called Scott bond. Seven different input signals, measured over a two-year period, were used as input to six different models and used to predict the output (Scott bond). The result showed that a Random Forest model provided the best prediction performance among the tested models. EXplainable Artificial Intelligence (XAI) was then used to better understand the predictions of the Random forest model. It provided an understanding of which input signals were most significant for the model predictions and the values that the input signals should have to predict a high or low value of the output signal. The results from the work give an increased understanding of the process behavior which may help to improve the monitoring of the process and how to counter interact when a process disturbance occurs. It also shows the potential of using complex machine learning models combined with XAI algorithms.

Dag för dag blir sakernas internet-enheter (IoT) en större del av vårt liv. För närvarande är dessa enheter starkt beroende av molntjänster vilket kan utgöra en integritetsrisk. Det allmänna syftet med denna rapport är att undersöka alternativ till molntjänster, ett ganska fascinerande alternativ är fog computing. Fog computing är en struktur som utnyttjar processorkraften hos enheter i utkanten av nätverket (lokala enheter) snarare än att helt förlita sig på molntjänster. Ett specifikt fall av denna struktur undersöks ytterligare som huvudsyftet i denna rapport vilket är distribuerad maskininlärning för IoT-enheter. Detta mål uppnås genom att besvara frågorna om vilka metoder/verktyg som finns tillgängliga för att åstadkomma det och hur väl fungerar de jämfört med molntjänster. Det finns tre huvudsteg i denna studie. Det första steget var informationsinsamling på två olika nivåer. Först på en grundläggande nivå där området för studien undersöks. Den andra nivån var mer specifik och handlade om att ytterligare samla information om tillgängliga verktyg för distribuering av maskininlärning och utvärdera dessa verktyg. Det andra steget var att implementera tester för att verifiera prestandan för varje verktyg vald baserat på den insamlade informationen. Det sista steget var att sammanfatta resultaten och dra slutsatser. Studien har visat att distribuerad maskininlärning fortfarande är för omogen för att ersätta molntjänster eftersom de befintliga verktygen inte är optimerade för IoT-enheter. Det bästa alternativet för tillfället är att hålla sig till molntjänster, men om lägre prestanda till viss del kan tolereras, så är vissa IoT-enheter kraftfulla nog att bearbeta maskininlärningsuppgiften självständigt. Distribuerad maskininlärning är fortfarande ett ganska nytt koncept, men det utvecklas snabbt, förhoppningsvis når denna utveckling snart IoT-enheter. / By day, internet of things (IoT) devices is becoming a bigger part of our life. Currently these devices are heavily dependent on cloud computing which can be a privacy risk. The general aim of this report is to investigate alternatives to cloud computing, a quite fascinating alternative is fog computing. Fog computing is a structure that utilizes the processing power of devices at the edge of the network (local devices) rather than fully relying on cloud computing. A specific case of this structure is further investigated as the main objective of this report which is distributed machine learning for IoT devices. This objective is achieved by answering the questions of what methods/tools are available to accomplish that and how well do they function in comparison to cloud computing. There are three main stages of this study. The first stage was information gathering on two different levels. First on a basic level exploring the field. The second one was to further gather information about available tools for distributing machine learning and evaluate them. The second stage was implementing tests to verify the performance of each approach/tool chosen from the information gathered. The last stage was to summarize the results and reach to conclusions. The study has shown that distributed machine learning is still too immature to replace cloud computing since the existing tools isn’t optimized for this use case. The best option for now is to stick to cloud computing, but if lower performance to some extent can be tolerated, then some IoT devices is powerful enough to process the machine learning task independently. Distributed machine learning is still quite a new concept but it’s growing fast, hoping this growth soon expands to support IoT devices.