Dimensionality reduction for images of IoT using machine learning /
Ibrahim Ali Mohamed Ebidou,
Dimensionality reduction for images of IoT using machine learning / تقليل أبعاد الصور في إنترنت الأشياء باستخدام التعلم الآلي / by Ibrahim Ali Mohamed Ebidou ; Supervisors Prof. Khaled Tawfik Wassif, Dr. Hanaa Bayomi Mobarez. - 68 leaves : illustrations ; 30 cm. + CD.
Thesis (M.Sc)-Cairo University, 2024.
Bibliography: pages 63-68.
Sensors, wearables, mobile devices, and other Internet of Things (IoT) devices are becoming increasingly integrated into all aspects of our lives. They are capable of gathering enormous amounts of data, such as image data, which can then be sent to the cloud for processing. So, the network traffic and latency will increase. To overcome these difficulties, edge computing has been proposed as a paradigm for computing that brings processing closer to the location where data is generated.
This thesis explores the merging of cloud and edge computing for IoT applications and investigates algorithms using machine learning for the dimensionality reduction of images on the edge, by employing the autoencoder deep learning-based model and principal component analysis (PCA). The encoded data is transmitted to the cloud, where it can be used directly for any machine learning algorithm without significantly impacting the accuracy of the data processed on the cloud. The proposed model has been evaluated on an object detection task using a set of 4,000 images randomly chosen from three datasets; COCO, human detection, and HDA datasets. Results show that a 77% reduction in data did not significantly impact the object detection task's accuracy. Another experiment was carried out on an image classification task using 20,580 images from the ILSVRC dataset. The results indicate that a 61% reduction in data did not significantly affect the accuracy of the image classification task. أصبحت أجهزة الاستشعار، والأجهزة القابلة للارتداء، والأجهزة المحمولة، وأجهزة إنترنت الأشياء الأخرى (IoT) مدمجة بشكل متزايد في جميع جوانب حياتنا. فهي قادرة على جمع كميات هائلة من البيانات، مثل بيانات الصور، والتي يمكن بعد ذلك إرسالها إلى الحوسبة السحابية للمعالجة. وبالتالي، سيزداد حجم حركة المرور على الشبكة وزمن الوصول. وللتغلب على هذه الصعوبات، تم استخدام حوسبة الحافة كنموذج للحوسبة يجعل المعالجة أقرب إلى الموقع الذي يتم فيه إنشاء البيانات.
تستكشف هذه الأطروحة استخدام الحوسبة السحابية وحوسبة الحافة لإنترنت الأشياء وتبحث في الأساليب التي تستخدم التعلم الآلي لتقليل أبعاد الصور على الحافة، وذلك باستخدام نهج التعلم العميق القائم على التشفير التلقائي autoencoder وتحليل المكونات الرئيسية (PCA). يتم بعد ذلك إرسال البيانات المشفرة إلى الحوسبة السحابية، حيث يتم استخدامها مباشرة لأي مهمة تعلم آلي دون أن يكون لها تأثير كبير على دقة البيانات التي تتم معالجتها على السحابة. تم تقييم النهج المقترح في مهمة الكشف عن الكائنات باستخدام مجموعة من 4000 صورة تم اختيارها عشوائيًا من ثلاث مجموعات بيانات: COCO، والكشف البشري، ومجموعات بيانات HDA. أظهرت النتائج أن انخفاض البيانات بنسبة 77% عن طريق الكشف عن الكائنات لم يكن له تأثير كبير على دقة مهمة الكشف عن الكائنات. أيضا تم إجراء تجربة أخرى على مهمة تصنيف الصور باستخدام مجموعة من 20580 صورة من مجموعة بيانات ILSVRC. تشير النتائج إلى أن انخفاض البيانات بنسبة 61% عن طريق تصنيف الصور لم يؤثر بشكل كبير على دقة مهمة تصنيف الصور.
Text in English and abstract in Arabic & English.
Computer Science
Edge Computing Cloud Computing Deep Learning IoT Autoencoder
005
Dimensionality reduction for images of IoT using machine learning / تقليل أبعاد الصور في إنترنت الأشياء باستخدام التعلم الآلي / by Ibrahim Ali Mohamed Ebidou ; Supervisors Prof. Khaled Tawfik Wassif, Dr. Hanaa Bayomi Mobarez. - 68 leaves : illustrations ; 30 cm. + CD.
Thesis (M.Sc)-Cairo University, 2024.
Bibliography: pages 63-68.
Sensors, wearables, mobile devices, and other Internet of Things (IoT) devices are becoming increasingly integrated into all aspects of our lives. They are capable of gathering enormous amounts of data, such as image data, which can then be sent to the cloud for processing. So, the network traffic and latency will increase. To overcome these difficulties, edge computing has been proposed as a paradigm for computing that brings processing closer to the location where data is generated.
This thesis explores the merging of cloud and edge computing for IoT applications and investigates algorithms using machine learning for the dimensionality reduction of images on the edge, by employing the autoencoder deep learning-based model and principal component analysis (PCA). The encoded data is transmitted to the cloud, where it can be used directly for any machine learning algorithm without significantly impacting the accuracy of the data processed on the cloud. The proposed model has been evaluated on an object detection task using a set of 4,000 images randomly chosen from three datasets; COCO, human detection, and HDA datasets. Results show that a 77% reduction in data did not significantly impact the object detection task's accuracy. Another experiment was carried out on an image classification task using 20,580 images from the ILSVRC dataset. The results indicate that a 61% reduction in data did not significantly affect the accuracy of the image classification task. أصبحت أجهزة الاستشعار، والأجهزة القابلة للارتداء، والأجهزة المحمولة، وأجهزة إنترنت الأشياء الأخرى (IoT) مدمجة بشكل متزايد في جميع جوانب حياتنا. فهي قادرة على جمع كميات هائلة من البيانات، مثل بيانات الصور، والتي يمكن بعد ذلك إرسالها إلى الحوسبة السحابية للمعالجة. وبالتالي، سيزداد حجم حركة المرور على الشبكة وزمن الوصول. وللتغلب على هذه الصعوبات، تم استخدام حوسبة الحافة كنموذج للحوسبة يجعل المعالجة أقرب إلى الموقع الذي يتم فيه إنشاء البيانات.
تستكشف هذه الأطروحة استخدام الحوسبة السحابية وحوسبة الحافة لإنترنت الأشياء وتبحث في الأساليب التي تستخدم التعلم الآلي لتقليل أبعاد الصور على الحافة، وذلك باستخدام نهج التعلم العميق القائم على التشفير التلقائي autoencoder وتحليل المكونات الرئيسية (PCA). يتم بعد ذلك إرسال البيانات المشفرة إلى الحوسبة السحابية، حيث يتم استخدامها مباشرة لأي مهمة تعلم آلي دون أن يكون لها تأثير كبير على دقة البيانات التي تتم معالجتها على السحابة. تم تقييم النهج المقترح في مهمة الكشف عن الكائنات باستخدام مجموعة من 4000 صورة تم اختيارها عشوائيًا من ثلاث مجموعات بيانات: COCO، والكشف البشري، ومجموعات بيانات HDA. أظهرت النتائج أن انخفاض البيانات بنسبة 77% عن طريق الكشف عن الكائنات لم يكن له تأثير كبير على دقة مهمة الكشف عن الكائنات. أيضا تم إجراء تجربة أخرى على مهمة تصنيف الصور باستخدام مجموعة من 20580 صورة من مجموعة بيانات ILSVRC. تشير النتائج إلى أن انخفاض البيانات بنسبة 61% عن طريق تصنيف الصور لم يؤثر بشكل كبير على دقة مهمة تصنيف الصور.
Text in English and abstract in Arabic & English.
Computer Science
Edge Computing Cloud Computing Deep Learning IoT Autoencoder
005