Deep learning-based visual object tracking using edge computing on embedded system
Gömülü sistem üzerinde sınır bilişim kullanarak derin öğrenme tabanlı görsel nesne izleme
- Tez No: 718154
- Danışmanlar: DR. ÖĞR. ÜYESİ SERKAN ÖZBAY
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Gaziantep Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Devreler ve Sistemler Bilim Dalı
- Sayfa Sayısı: 72
Özet
Bilgisayarla görü görevlerinde derin sinir ağlarının kullanılmasıyla elde edilen son teknoloji ürünü performans, son yıllarda görsel nesne takibinde büyük ilgi görmüştür. Bununla birlikte, bu dikkate değer performans, daha yüksek hesaplama maliyeti ve dolayısıyla gerçek zamanlı olarak çalıştırmak için daha yüksek enerji tüketimi ile ilişkilidir. Bu nedenle, sınırlı kapasiteye sahip uç cihazlarda derin sinir ağlarının kullanılması, özellikle gerçek zamanlı eylem önemli olduğunda, ilgi çekici bir araştırma problemi olmaya devam ediyor. Bu tezde, sınır bilişim uygulamaları için Siyam tabanlı bir görsel nesne izleyici önerilmiştir. Bu çalışmanın amacı, hesaplamaları azaltmaktır ve böylece ölçek tahmini için gereken kapsamlı çok ölçekli aramayı atlamanın yanı sıra, sonuç güvenilir olduğunda ağın çıkarımı daha erken sonlandırmasını sağlayarak izleyiciyi hızlandırmaktır. Erken çıkış davranışı, ağa ne zaman çıkılacağına karar vermek için aşamalı sonucun önceden tanımlanmış kriterlere göre test edildiği üç ek çıkış dalı eklenerek elde edilir. Ayrıca, önerilen modeli hızlandırmak için, ihmal edilebilir bir doğruluk kaybıyla daha düşük hassasiyetli formatlar kullanarak eğitim uygulanır. İki ölçek üzerinde uyarlanabilir çok ölçekli bir arama ile önerilen nicelleştirilmiş izleyici, kabul edilebilir bir doğruluk kaybıyla beraber, bu çalışmada temel olarak alınan yapıdan 4,6 kat daha fazla izleme hızı elde ederek merkezi işlem birimi (CPU) üzerinde 68,5 FPS'de çalışmaktadır.
Özet (Çeviri)
State-of-the-art performance achieved by employing deep neural networks in computer vision tasks has attracted a great attention in visual object tracking in recent years. However, that remarkable performance is associated with higher computational cost, and therefore, higher energy consumption in order to run in real-time. Therefore, using deep neural networks on edge devices with limited resources remains a challenging research problem, particularly when real-time action is crucial. In this thesis, a Siamese-based visual object tracker for edge computing applications is proposed. The aim of this work is to reduce computations, thus boosting the tracker by enabling the network to terminate the inference earlier whenever the result is reliable, in addition to skipping the exhaustive multi-scale search needed for scale estimation. The early exiting behavior is achieved by inserting three additional exit branches into the network at which the staged result is tested on pre-defined criteria to decide when to exit. Moreover, quantization-aware training is applied in order to accelerate the model by using lower precision formats with negligible loss in accuracy. The proposed quantized tracker with an adaptive multi-scale search over two scales runs at 68.5 FPS on CPU achieving 4.6 times faster rate of tracking speed compared to the baseline, associated with an acceptable accuracy loss.
Benzer Tezler
- Metasezgisel algoritmalar ve derin öğrenme kullanılarak çok kaynaklı görüntü füzyonu
Multi-source image fusion using metaheuristic algorithms and deep learning
ASAN IHSAN ABAS ABAS
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURDAN BAYKAN
- Visual object tracking using semi supervised convolutional filters
Yarı denetimli eğitilmiş katlamalı filtreler ile görsel nesne takibi
EMİR CAN SEVİNDİK
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH AYDIN ALATAN
- Visual object tracking by using deep neural networks
Derin sinir ağları kullanılarak görsel nesne takibi
HASAN SARİBAŞ
Doktora
İngilizce
2020
Elektrik ve Elektronik MühendisliğiEskişehir Teknik ÜniversitesiHavacılık Elektrik ve Elektroniği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SİNEM KAHVECİOĞLU
PROF. DR. HAKAN ÇEVİKALP
- Improving the state estimation accuracy of real-time vision based multiple target tracking algorithms with unequal dimension interactive multiple model estimator
Eşit olmayan boyutlu etkileşimli çoklu model kestirim yöntemi ile gerçek zamanlı görüntü tabanlı çoklu hedef takip algoritmalarının durum tahmini hassasiyetinin iyileştirilmesi
YAĞIZ KURT
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiHavacılık ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİL ERSİN SÖKEN
- Synthetic data generation for training and evaluation of deep learning-based computer vision models
Derin öğrenme-bazlı bilgisayarlı göre modellerinin eğitimi ve değerlendirilmesi için sentetik veri üretimi
ABDULRAHMAN KERİM
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. UFUK ÇELİKCAN