Il progetto Blind Oriented Suggested System (BOSS) ha l'obiettivo di realizzare un sistema di supporto per persone ipovedenti basato su wearable glasses, capace di riconoscere in tempo reale gli ostacoli presenti nell'ambiente circostante. Questo lavoro di tesi si inserisce nel progetto e si concentra sulla valutazione della robustezza del modello di object detection già disponibile (architettura SSD300 con backbone VGG16), partendo da uno studio del suo funzionamento, della sua interazione con il dataset esistente e delle metriche utilizzate per misurarne le prestazioni. Sulla base di questa analisi viene riorganizzata la struttura del repository secondo nuovi requisiti; vengono poi individuati tre dataset relativi a scenari differenti — indoor, urbano e naturale — combinati in un unico training set, usato per riaddestrare il modello. Le prestazioni del modello ottenuto sono infine valutate separatamente su ciascuno dei tre scenari, per analizzarne la capacità di generalizzazione e individuarne punti di forza e debolezza. I risultati, accompagnati da un'analisi degli errori e dalla documentazione della metodologia seguita, forniscono indicazioni utili per gli sviluppi futuri del sistema.
RICONOSCIMENTO DI OSTACOLI PER IPOVEDENTI TRAMITE WEARABLE GLASSES IN SCENARI ETEROGENEI
MONTRANO, ANDREA PIO
2025/2026
Abstract
Il progetto Blind Oriented Suggested System (BOSS) ha l'obiettivo di realizzare un sistema di supporto per persone ipovedenti basato su wearable glasses, capace di riconoscere in tempo reale gli ostacoli presenti nell'ambiente circostante. Questo lavoro di tesi si inserisce nel progetto e si concentra sulla valutazione della robustezza del modello di object detection già disponibile (architettura SSD300 con backbone VGG16), partendo da uno studio del suo funzionamento, della sua interazione con il dataset esistente e delle metriche utilizzate per misurarne le prestazioni. Sulla base di questa analisi viene riorganizzata la struttura del repository secondo nuovi requisiti; vengono poi individuati tre dataset relativi a scenari differenti — indoor, urbano e naturale — combinati in un unico training set, usato per riaddestrare il modello. Le prestazioni del modello ottenuto sono infine valutate separatamente su ciascuno dei tre scenari, per analizzarne la capacità di generalizzazione e individuarne punti di forza e debolezza. I risultati, accompagnati da un'analisi degli errori e dalla documentazione della metodologia seguita, forniscono indicazioni utili per gli sviluppi futuri del sistema.| File | Dimensione | Formato | |
|---|---|---|---|
|
Montrano_Andrea_Pio_Tesi_Definitiva.pdf
non disponibili
Descrizione: Tesi di laurea definitiva
Dimensione
717.87 kB
Formato
Adobe PDF
|
717.87 kB | Adobe PDF |
I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/20.500.14253/65570