Geri Dön

Nesnelerin interneti cihazlarda derin öğrenme kullanarak eylem algılama

Action detection using deep learning on IoT devices

  1. Tez No: 691089
  2. Yazar: AHMED YASEEN BISHREE AL-ANI
  3. Danışmanlar: PROF. DR. SABİR RÜSTEMLİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Bitlis Eren Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 127

Özet

Nesnelerin İnterneti (IoT) teknolojisi akıllı teknolojik cihazların birbiri ile iletişime geçip haberleşmesidir. Bununla birlikte Nesnelerin İnterneti (IoT) gelişimiyle beraber gün geçtikçe, akıllı uygulamaların ve birbirine bağlı olan cihazların sayısı artmaktadır. Derin Öğrenme (DL) yöntemi toplanan çok miktarda ham verinin işlenmesi, zekâ ve uygulama yeteneklerini daha da geliştirmek için gerekli hale gelmiş durumdadır. Araştırmacıların çoğunluğunun eylem algılama üzerine yoğunlaştığı görülmektedir. Deep learning kullanılarak IoT cihazlarında doğrudan eylem algılaması yaygın bir yöntem değildir. Derin Öğrenme uygulamaları yüksek CPU, RAM ve depolamaya ihtiyaç duyduğundan IoT cihazlarında standart Derin Öğrenme tekniklerinin kullanılması zordur. Bu tez çalışmasında farklı olarak derin öğrenme tekniklerinin IoT cihazlarında kullanılması ile eylem algılama işlemi doğrudan kenar cihazında yapılmasın üzerine çalışılmıştır. Bunun için 3 farklı gerçek IoT cihazı üzerinde mini boyutlu Derin Öğrenme (DL-Lite) teknikleri uygulanmıştır. Bu tekniklerin IoT cihazlarında uygulanması sonucunda ortaya çıkan algılamada doğrululuk, gecikme ve cihazların sıcaklığı gibi parametrelere göre IoT cihazların ve mini Derin Öğrenme tekniklerinin kıyaslanması gerçekleştirilmiştir.

Özet (Çeviri)

Implementation of the Internet of Things (IoT) is becoming wide-spread, particularly in smart city applications. Due to the high amounts of raw data gathered by enormous of IoT devices, the Deep Learning (DL) method has become necessary to further develop intelligence and application capabilities. In particular visual action detection is one of the critical components of a smart city. It is challenging to use standard Deep Learning techniques for action detection in IoT devices because Deep Learning applications need high CPU, RAM, and storage. To use the standard DL techniques in IoT devices some of DL models shrinked. In this master's thesis, Deep Learning Lite and Micro techniques were applied on real IoT devices. Comparison of IoT devices and Deep Learning Lite and Micro techniques was performed in terms of parameters such as accuracy, delay, and temperature of the devices, applying these Techniques in IoT devices.

Benzer Tezler

  1. Manipulation of visually recognized objects using deep learning

    Görsel tanınan nesnelerin derin öğrenme kullanarak hareket ettirilmesi

    ERTUĞRUL BAYRAKTAR

    Doktora

    İngilizce

    İngilizce

    2018

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. PINAR BOYRAZ

  2. Resource allocation in vehicular edge computing networksbased on deep reinforcement learning

    Araç uç bilişiminde derin pekiştirmeli öğrenmeye dayalıkaynak tahsisi

    HOMA MALEKI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. LÜTFİYE DURAK ATA

  3. Learning and inference for wireless communications applications using in-memory analog computing

    Bellek içi analog hesaplama kullanarak kablosuz iletişim uygulamaları için öğrenme ve çıkarım

    MUHAMMAD ATIF ALI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    Prof. Dr. TOLGA METE DUMAN

  4. Derin sinir ağlarının (DSA) hızlı çıkarım ve hata dayanıklılık analizi için fpga uygulaması

    Fpga implementation of deep neural networks (DNNS) for fast inference and error resilience analysis

    UĞUR BERK ÇELİK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiSabancı Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER CEYLAN

  5. Mobil cihazlar ile derin öğrenme mimarisi kullanarak gerçek zamanlı video nesne izleme

    Deep learning architectures for real-time video object tracking by mobile devices

    ULAŞ TOSUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE GÜNSEL KALYONCU