Geri Dön

Deep learning-based face recognition with raspberry Pi and USB accelerator for IoT environments

IoT için rapsberry Pi ve USB hızlandırıcı ile derin öğrenme tabanlı yüz tanıma

  1. Tez No: 679520
  2. Yazar: KUTAY YILDIZ
  3. Danışmanlar: PROF. DR. MURAT KOYUNCU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Atılım Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 128

Özet

Bilgisayar bilimi alanında derin öğrenme üzerine yapılan araştırmalar son zamanlarda oldukça arttı. Bir çok alanda tahmin performansı bazında derin öğrenme uygulamaları lider durumdadır, ancak, gerektirdiği yüksek işlemci gücü oldukça fazladır. Derin sinir ağı (DNN) modellerinin optimizasyonu üzerinde çalışan bir çok araştırma mevcuttur. Model optimizasyonuna ek olarak derin öğrenme tabanlı makine öğrenmesi (ML) uygulamalarına yönelik verimli güç kullanımı sağlayan özel donanımlar geliştirilmektedir. Bu çalışmanın amacı mobil platformlar için geliştirilmiş yüz tanıma algoritmalarının detaylı bir karşılaştırmasını yapmaktır. Testlerde Raspberry Pi ve makine öğrenmesi uygulamaları için geliştirilmiş Google's Coral Edge tensor işlem birimi (TPU) kullanıldı. Farklı yüz tanıma adımları (yüz tanıma, tipik nokta tanıma, öznitelik çıkarma) tek tek test edildi. Bireysel testlere ek olarak yüz tanıma hattı bir bütün olarak test edildi. Eğitim sonrası tamsayı indirgeme tekniği mobil modellerin daha ileri optimizasyonunun yapılabilirliğini test etmek amaçlı kullanıldı. Mobil platformlara ek olarak mobil olmayan platform üzerinde karşılaştırma amaçlı testler yapıldı. Raspberry Pi 4 TPU ile birlikte kullanıldığında DNN bazlı yüz tanıma uygulamalarında saniyede 14.7 kare hıza ulaşılabildi. Bu çalışmada sunulan karşılaştırma sonuçları yüz tanıma alanında çalışma yürüten uygulamacılara katkıda bulunabilir.

Özet (Çeviri)

Deep learning has been around for many years but not until recently it became hot in computer science field. On many applications, state-of-the-art algorithms are based on deep learning. The downside of using a deep learning-based algorithm is the high processing power requirement. Many studies are dedicated on creating Deep Neural Network (DNN) models that require low processing power. In addition to efficient mobile DNN models, some specialized power-efficient hardware are also developed for mobile deep learning-based ML applications. The aim of this study is to compare face recognition algorithms that are developed for mobile platforms in detail. As hardware, two Raspberry Pi models and Google's Coral Edge tensor processing unit (TPU) which is a specialized hardware for ML inference are tested. A desktop PC is also included to compare the performance of mobile inference with desktop inference. Individual tests on different steps of face recognition (face detection, landmark detection, feature extraction, classification) are conducted. In addition to individual tests, a lot of face recognition pipelines constructed using alternative algorithms are also tested. Post-training integer quantization technique is also used on models to analyze if mobile DNN models can further be optimized for mobile platforms. It is concluded that Raspberry Pi 4 utilized with a TPU can yield up to 14.7 frames per second on DNN based face recognition applications. Results presented in this study may contribute to practitioners who plan to use face recognition on mobile platforms.

Benzer Tezler

  1. Görüntü işleme ve derin öğrenme ile yüz tanıma tabanlı akıllı kapı kilit sistemi

    Image processing and deep learning based smart door lock system using face recognition

    ALİ YANKI TEKOL

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. VEYSEL ASLANTAŞ

  2. Makinalar arası iletişim ile kimlik tespiti ve uyarı alarmlarının üretilmesi

    Identification and producting warning alarm with machine to machine communication

    OSMAN DEMİRCİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKHAN KAYHAN

  3. Gömülü sistem platformu üzerinde görüntü işleme tekniklerinin uygulanması

    Image processing techniques on embedded system

    SERTAÇ YAMAN

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiFırat Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YAVUZ EROL

  4. Derin öğrenme yaklaşımları ile gömülü platform üzerinde yüz analizi sisteminin gerçekleştirilmesi

    Implementation of face analysis system with deep learning approaches on embedded platform

    ABDULATIF AHMED ALI ABOLUHOM

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSMET KANDİLLİ

  5. 3 boyutlu derinlik kamerası ile derin öğrenme tabanlı güvenli yüz tanıma

    Deep learning based secure face recognition with 3d depth camera

    SEDAT YILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Uludağ Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET EMİR DİRİK