Geri Dön

Image classification with energy efficient Hadamard neural networks

Verimli enerjili Hadamard sinir ağları ile görüntü sınıflandırması

PDF İndir

  1. Tez No: 486725
  2. Yazar: TUBA CEREN DEVECİ
  3. Danışmanlar: PROF. DR. AHMET ENİS ÇETİN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 78

Özet

Derin öğrenim, görüntü sınıflandırması, nesne tanıma, nesne algılama gibi görüntü işleme görevlerinde son yıllarda önemli başarılar elde etmiştir. Çoklu dizi şeklindeki verileri işlemek üzerine tasarlanmış popüler bir derin öğrenim mimarisi olan evrişimli sinir ağları (CNN), algılama ve tanıma problemleri ve bilgisayarla görme görevlerinin neredeyse tamamında büyük başarı göstermiştir. Ancak CNN'deki yüksek parametre sayısı bilgisayarlar için daha fazla enerji ve daha büyük bellek boyutu gerektirmektedir. Bu sorunu çözmek amacıyla enerji verimli ağ modellerini inceliyoruz. Daha önceden ortaya atılmış olan İkili Ağırlık Katsayılı Ağlar (BWN) gibi enerji tasarruflu modellere ek olarak yeni enerji tasarruflu modeller sunuyoruz. Hadamard-dönüşümlü görüntü ağları (HIN), BWN'nin bir varyasyonu olup, girdi olarak Hadamard dönüşümü ile sıkıştırılmış görüntüleri kullanmaktadır. İkili Ağırlık ve Hadamard-dönüşümlü Görüntü Ağı (BWHIN) BWN ve HIN'i birleştirilmesiyle özgün bir verimli enerjili model olarak geliştirilmiştir. Farklı parametreler ve farklı CNN mimarileri ile sinir ağlarının performansları karşılaştırılmış ve MNIST ve CIFAR-10 veri setleri üzerinde analiz edilmiştir. Enerji verimliliğinin sınıflandırma doğruluğunda küçük bir fedakârlık yapılarak sağlandığı gözlenmiştir. Verimli enerjili ağlar arasında, yeni topluluk modelimiz diğer modellerden daha iyi performans göstermiştir.

Özet (Çeviri)

Deep learning has made significant improvements at many image processing tasks in recent years, such as image classification, object recognition and object detection. Convolutional neural networks (CNN), which is a popular deep learning architecture designed to process data in multiple array form, show great success to almost all detection & recognition problems and computer vision tasks. However, the number of parameters in a CNN is too high such that the computers require more energy and larger memory size. In order to solve this problem, we investigate the energy efficient network models based on CNN architecture. In addition to previously studied energy efficient models such as Binary Weight Network (BWN), we introduce novel energy efficient models. Hadamard-transformed Image Network (HIN) is a variation of BWN, but uses compressed Hadamard-transformed images as input. Binary Weight and Hadamard-transformed Image Network (BWHIN) is developed by combining BWN and HIN as a new energy efficient model. Performances of the neural networks with different parameters and different CNN architectures are compared and analyzed on MNIST and CIFAR-10 datasets. It is observed that energy efficiency is achieved with a slight sacrifice at classification accuracy. Among all energy efficient networks, our novel ensemble model outperforms other energy efficient models.

Benzer Tezler

  1. Tez No

    389359

    Yüksek çözünürlüklü uydu görüntüleri kullanarak benzer spektral özelliklere sahip doğal nesnelerin ayırt edilmesine yönelik bir metodoloji geliştirme

    Developing a methodology for discriminating natural objects having spectrally similar features using very high resolution satellite imagery

    İSMAİL ÇÖLKESEN

    Doktora

    Türkçe

    Türkçe

    2015

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. TAHSİN YOMRALIOĞLU

  2. Tez No

    338446

    Superpixel based efficient image representation for segmentation and classification

    Bölütleme ve sınıflandırma için süperpiksel temelli etkin imge simgeleme

    HÜSEYİN EMRAH TAŞLI

    Doktora

    İngilizce

    İngilizce

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULLAH AYDIN ALATAN

  3. Tez No

    887285

    Uzaktan algılama ve derin öğrenme yöntemleri ile İstanbul'un yerel iklim alanları ve yer yüzeyi sıcaklığı değişimleri arasındaki ilişkinin incelenmesi

    Investigation of the relationship between local climate zones and land surface temperature changes in İstanbul using remote sensing and deep learning methods

    MELİKE NİCANCI SİNANOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. ŞİNASİ KAYA

  4. Tez No

    784015

    Predicting the bandgap of hole-transport materials by deep learning

    Derin öğrenme ile delik geçiş malzemelerinin bant aralığı tahmini

    MİRAÇ AYDIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Kimyaİstanbul Teknik Üniversitesi

    Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı

    PROF. DR. ADEM TEKİN

  5. Tez No

    397841

    Video analizi ile baş hareketi sınıflandırma

    Head rotation classification via video analysis

    FİLİZ GÜRKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE GÜNSEL KALYONCU

Geri Dön