Στη διάρκεια του έργου θα παραχθούν τέσσερα (4) κύρια αποτελέσματα:

​

1.         Μια εργαλειοθήκη μηχανικής μάθησης για οπτικά και θερμικά δεδομένα  

Η εργαλειοθήκη μηχανικής μάθησης για οπτικά και θερμικά δεδομένα θα περιέχει ένα σύνολο από μοντέλα και αλγορίθμους υλοποιημένους με τρόπο ώστε λαμβάνοντας σαν είσοδο τα πρωτογενή δεδομένα των οπτικών και θερμικών καμερών, να παράγουν σαν έξοδο σημασιολογική πληροφορία, που θα αφορά σε ανίχνευση και αναγνώριση αντικειμένων (object detection and recognition), σε ιχνηλάτηση κίνησης (motion tracking) και σε ανίχνευση ατυπικής ή ύποπτης δραστηριότητας (anomaly detection).

Η εργαλειοθήκη θα συνοδεύεται από αναλυτική αξιολόγηση των «περιεχομένων» της ως προς την επίδοση, ενεργειακή απόδοση και τις απαιτήσεις σε υπολογιστική ισχύ.

 

2.         Μια εργαλειοθήκη μηχανικής μάθησης για δεδομένα από ραντάρ

Η εργαλειοθήκη μηχανικής μάθησης για δεδομένα ραδιοεντοπισμού (radar) θα περιέχει ένα σύνολο από αλγορίθμους και μοντέλα για την αξιοποίηση πληροφορίας που συλλέγεται με τη βοήθεια συστοιχίας συστημάτων radar. Η προστιθέμενη αξία που δίνουν τα συστήματα αυτά, πέραν από την προσθήκη ενός επιπλέον τύπου (modality) δεδομένων, αναδεικνύεται σε περιπτώσεις χαμηλής ορατότητας, πχ τη νύχτα ή/και σε συνθήκες ομίχλης στις οποίες οι οπτικές κάμερες έχουν μειωμένη απόδοση.

 

3.         Ένα σύνολο μηχανισμών μηχανικής μάθησης με σύντηξη πολυτροπικών δεδομένων

Οι μηχανισμοί ευφυούς σύντηξης (fusion) πολυτροπικής (multimodal) πληροφορίας από οπτικούς και θερμικούς αισθητήρες και από συστήματα radar αποβλέπουν στη βελτίωση της ακρίβειας και της απόδοσης που επιτυγχάνεται σε σχέση με την περίπτωση της χρήσης «μονοτροπικών» τεχνικών επεξεργασίας και ανάλυσης ενός μόνο τύπου (modality) πληροφορίας. Σκοπός είναι η αξιοποίηση των πλεονεκτημάτων που μπορεί να προσφέρει καθεμία ροή δεδομένων, ιδανικά μέσω της κατανόησης των ενδοαλληλεξαρτήσεων και της συμπληρωματικότητας των διαφορετικών τύπων πληροφορίας. Οι τρεις βασικές κατηγορίες προσεγγίσεων σύντηξης (early fusion, late fusion, intermediate fusion) θα διερευνηθούν με εφαρμογή σε διαφορετικά μοντέλα μηχανικής μάθησης (πχ HMM, CNN, κ.λπ.) ανάλογα με τις δυνατότητες και τους περιορισμούς που τίθενται από τα δεδομένα, την εφαρμογή, την αρχιτεκτονική του συστήματος, τη διαθέσιμη υπολογιστική ισχύ και άλλες παραμέτρους.

 

4.         Ένα ολοκληρωμένο σύστημα λήψης αποφάσεων για την ασφάλεια και επιτήρηση κρίσιμων υποδομών και εγκαταστάσεων

Το τελικό προϊόν του έργου θα είναι ένα ολοκληρωμένο σύστημα λήψης αποφάσεων που θα χρησιμοποιεί σαν είσοδο ετερογενή δεδομένα από οπτικές κάμερες, θερμικές κάμερες και ραντάρ και με χρήση τεχνικών μηχανικής μάθησης, φιλτραρίσματος, σύντηξης και μηχανής κανόνων θα εξάγει σημασιολογική πληροφορία χρήσιμη για την ασφάλεια και επιτήρηση κρίσιμων υποδομών και εγκαταστάσεων. Μια προηγμένη διεπαφή χρήστη θα επιτρέπει τη συνεπή, δομημένη, ταχεία και διαισθητικά εύληπτη οπτικοποίηση της ετερογενούς πληροφορίας συνεισφέροντας στη δημιουργία επιχειρησιακής επίγνωσης στους χρήστες των υποδομών.