| dc.contributor.advisor | Αλέπης, Ευθύμιος | |
| dc.contributor.author | Δαμιανίδης, Νικόλαος Μιχαήλ | |
| dc.date.accessioned | 2026-01-13T09:28:04Z | |
| dc.date.available | 2026-01-13T09:28:04Z | |
| dc.date.issued | 2025-11 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18756 | |
| dc.description.abstract | Το Emoreco είναι μια native desktop JavaFX εφαρμογή για end-to-end ροές εργασίας αναγνώρισης συναισθημάτων, κατάλληλη για ποικιλία χρήσεων. Συνδυάζει τοπική διαχείριση δεδομένων με υποβοηθούμενη αντίληψη από υπηρεσίες cloud, ώστε να υποστηρίζει πειράματα, προτυποποίηση και ανάλυση.
Η εφαρμογή συνδέεται με Microsoft SQL Server για την αποθήκευση και την ανάκτηση δεδομένων, μπορεί να καλεί εξωτερικές υπηρεσίες, όπως το Emoreco Web API ή-και το Google Cloud Vision, επιτρέποντας υβριδική επεξεργασία (τοπικά και απομακρυσμένα). Η αρχιτεκτονική δίνει έμφαση στη διαφάνεια μέσω των δυνατότητων που παρέχει ο διαχειριστής εξαρτήσεων Maven και των διαχωρισμό στα επίπεδα M.V.C. (model-view-controller).
Η αρχιτεκτονική δεδομένων αποτελεί βασική προτεραιότητα στο Emoreco. Τα εισαγόμενα μέσα, η τηλεμετρία και τα αρχεία καταγραφής οργανώνονται σε Medallion Architecture: οι πίνακες Bronze διατηρούν ακατέργαστα δεδομένα και αποκρίσεις υπηρεσιών· οι πίνακες Silver τυποποιούν και αποκανονικοποιούν ανιχνεύσεις με συνεπή χρονικά σήματα, ταυτότητες και δείκτες ποιότητας· οι πίνακες Gold παρέχουν συγκεντρωτικά δεδομένα έτοιμα για ανάλυση και επιμελημένες προβολές για αναφορές και εξαγωγή. Πάνω σε αυτή τη δομή τύπου data warehouse, το υποσύστημα ανάλυσης ακολουθεί Star Schema: ένα κεντρικός πίνακας συμπερασμάτων (συμπεράσματα σε επίπεδο καρέ/τμήματος με βαθμολογίες εμπιστοσύνης) συνδέεται με ενοποιημένες διαστάσεις για βίντεο (πηγή, ανάλυση, fps), User/Session (χειριστής, ομάδα), Χρόνος (ιεραρχίες έως δευτερόλεπτο/καρέ), ετικέτες συναισθημάτων (ταξινομία και αντιστοιχίσεις) και παράμετροι (μοντέλο, όρια, προεπεξεργασία). Αυτός ο συνδυασμός διατηρεί την ιχνηλασιμότητα και τη δυνατότητα ελέγχου, ενώ επιτρέπει αποδοτικά ερωτήματα ακόμα και όταν το μέγεθος των δεδομένων αυξηθεί εκθετικά. | el |
| dc.format.extent | 99 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by/3.0/gr/ | * |
| dc.title | Εμορεκο : ενίσχυση της κατανόησης χρήστη μέσω συναισθηματικής ανάλυσης πολυμέσων | el |
| dc.title.alternative | Emoreco : enhancing user understanding through emotional analysis of multimedia content | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | Emoreco is a native JavaFX-based desktop application for end-to-end emotion recognition workflows in research and applied analytics. This solution integrates local data management with cloud-based perception, facilitating consistent experimentation, prototyping, and exploratory analysis. Emoreco connects to Microsoft SQL Server for structured storage and can call external services, including an Emoreco web API and Google Cloud Vision, enabling hybrid on-device/remote inference. The architecture emphasizes transparency and reproducibility through file-based configuration, explicit dependency management (Maven), and a separable model-view-controller structure.
Data architecture is a first-class concern in Emoreco. Ingested media, telemetry, and logs land in a Medallion Architecture: Bronze tables retain raw capture artifacts and service responses; Silver tables standardize and denormalize detections with consistent timestamps, identities, and quality flags; Gold tables provide analytics-ready aggregates and curated views for reporting and export. On top of this lakehouse-style layering, the analytics subsystem follows a Star Schema: a central Results fact (frame-/segment-level inferences with confidence scores) is joined to conformed dimensions for Video (source, resolution, fps), User/Session (operator, cohort), Time (hierarchies to second/frame), Emotion Label (taxonomy and mappings), and Parameters (model, thresholds, preprocessing). This combination preserves lineage and auditability while enabling performant queries even when dataset size increases exponentially.
Keywords: emotion recognition, JavaFX, desktop analytics, SQL Server, Google Cloud Vision, video analysis, human-in-the-loop, reproducibility, ETL, HCI, Medallion Architecture, Star Schema, dimensional modeling | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής | el |
| dc.subject.keyword | Emotion recognition | el |
| dc.subject.keyword | JavaFX | el |
| dc.subject.keyword | Desktop analytics | el |
| dc.subject.keyword | SQL Server | el |
| dc.subject.keyword | Google Cloud Vision | el |
| dc.subject.keyword | Video analysis | el |
| dc.subject.keyword | ETL | el |
| dc.subject.keyword | HCI | el |
| dc.subject.keyword | Medallion architecture | el |
| dc.subject.keyword | Star schema | el |
| dc.subject.keyword | Dimensional modeling | el |
| dc.date.defense | 2025-11-20 | |