Efficient implementation of convolutional neural networks on embedded devices
Gömülü cihazlarda evrişimsel sinir ağlarının verimli uygulaması
- Tez No: 761210
- Danışmanlar: DR. ÖĞR. ÜYESİ ERDEM AKAGÜNDÜZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Çankaya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 67
Özet
Yapay zeka alanında, derin evrişimsel sinir ağı modelleri, insan sonuçlarına yakın sonuçlar verebildikleri için çok popülerdir. Uygulamaya bağlı olarak, bu derin öğrenme modelleri çok basit ve küçük olabilir, ancak aynı zamanda çok karmaşık ve büyük de olabilir. Bu nedenle, bu modelleri uygulayan gömülü sistemlerin performansı zayıf ve olanaksız olabilir. Bu tez, çeşitli yöntemlerin kullanılmasıyla, performansta önemli bir kayıp olmadan derin evrişimsel sinir mimarisi verimliliğini iyileştirmeyi amaçlamaktadır. Bu amaçla, ilk olarak katman aktivasyonlarında öznitelik boyutu küçültmelerinden yararlanıyoruz. Özellik boyut küçültme için Temel Bileşen Analizi ve Select-K-Best fonksiyonu gibi yöntemler kullanıyoruz. Sonrasında, niceliksel farkındalık eğitimli ikili derin evrişimli sinir ağı modelini daha verimli hale getirmek için, bir karar verme mekanizması olarak derin öğrenme modelinin tam bağlantılı katmanlarını değiştirerek“Düzenli Pozitif ve Negatif Çıkarım”algoritmasını da kullanıyoruz. Bu tezin nihai amacı, bu yöntemlerin önemli bir performans kaybı olmadan modellerimizi verimli hale getirip getiremeyeceğini ve ikili nicemlenmiş derin evrişimsel sinir ağının verimliliğini daha da artırıp artıramayacağımızı gözlemlemektir.
Özet (Çeviri)
In the field of artificial intelligence, deep convolutional neural network models are very popular because they can yield results close to those of humans. Depending on the application, these deep learning models can be very simple and small, but also very complex and large. Hence, the performance of an embedded systems that implement these models may be poor and infeasible. Through the use of various methods, this thesis aims to improve deep convolutional neural architecture efficiency without a significant loss of in the performance. For this purpose, we first utilize feature dimension reductions in layer activations. We use methods such as Principal Component Analysis and Select K-Best functions for feature dimension reduction. In the following, in order to make a quantization-aware trained binary deep convolutional neural network model more efficient, we also utilize the“Regular Positive and Negative Inference”algorithm by replacing the fully connected layers of the deep learning model as a decision-making mechanism. The ultimate aim of this thesis is to observe if these methods would make our models efficient without a significant loss of performance, and if we can further increase the efficiency of a binary quantized deep convolutional neural network.
Benzer Tezler
- 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
2024
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER CEYLAN
- Hardware implementation for 802.11b/g/n signal classification
802.11b/g/n sinyal sınıflandırması için donanım tasarımı
RAMAZAN ÇETİN
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL FAİK BAŞKAYA
- Ai-based visual odometry implementation on an embedded system
Yapay zeka tabanlı görsel odometrinin gömülü bir sistemde gerçeklemesi
OĞUZHAN BÜYÜKSOLAK
Yüksek Lisans
İngilizce
2023
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- Accelerated object detection on FPGA SoC
FPGA SoC üzerinde hızlandırlmış nesne tespiti
MEHMET AYDIN KARA
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. CEM ÜNSALAN
- Evrişimsel sinir ağlarının FPGA üzerindehızlı ve kaynak verimli kısmi yapılandırma tabanlı gerçeklenmesi
Fast and resource efficient implementation of convolutional neural networks on FPGA based on partial reconfiguration
HADEE MAD-A-DUM
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. YAŞAR BECERİKLİ