On-device deep learning for mobile and wearable computing
Mobil ve giyilebilir hesaplama için cihaz üzerinde derin öğrenme
- Tez No: 771169
- Danışmanlar: DOÇ. DR. GÜLFEM ALPTEKİN, DOÇ. DR. ÖZLEM DURMAZ İNCEL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Galatasaray Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 68
Özet
Son senelerde, mobil ve giyilebilir algılayıcı teknolojileri, kullanılabilirliklerini artırarak, kademeli olarak geniş bir uygulama yelpazesine ulaştı. Bunula paralel olarak, toplanan veri miktarı hızla işlenmek için çok büyük hale gelmeye başladı. Büyük verilerin işlenmesi uzun zaman ve büyük kaynak tüketen hesaplamalar içerdiğinden, derin öğrenmenin umut verici bir teknik olduğu ve sınıflandırma ve analiz süreçlerini etkinleştirdiği ortaya çıktı. Ancak sınırlı pil gücü, bellek ve hesaplama birimleri gibi kaynak kısıtları nedeniyle, mobil cihazlarda derin öğrenme algoritmalarını eğitmek ve çalıştırmak oldukça zorlu olmaktadır. Bu çalışmada, Tensorflow Lite platformuyla optimize edilen dört farklı İnsan Etkinliği Tanıma (İET) mimarisi oluşturup, mobil cihazlardaki performanslarını değerlendirmeye odaklanılmıştır. Akademik yazından iki farklı veri kümesi (WISDM ve MobiAct) alınmıştır. Orijinal modellerin performansı, model doğruluğu, model boyutu ve işlemci, bellek ve enerji kullanımı gibi kaynak kullanımları açısından optimize edilmiş halleriyle karşılaştırılmıştır. Deneyler sonucunda, modeller orijinal modellere göre optimize edildiğinde, model boyutlarının ve kaynak tüketiminin önemli ölçüde azaldığı gözlemlenmiştir. Diğer bir odak noktası, MobiAct ve OpenHAR veri kümeleri üzerinde, İET görevlerinin derin öğrenme modelini, daha büyük bir veri kümesi üzerinde eğitilmiş bir model ve mümkünse o kullanıcıyla cihazda ince ayar yapılabilen öğrenme aktarımı ile kişiselleştirmek olmuştur. Kullanıcı verileri olmadan elde edilen genel bir model veya küçük veri grubuyla eğitilen kullanıcıya özel bir modelin iyi sonuçlar vermeyebileceği saptanmıştır. Ayrıca, öğrenme aktarımının doğruluk oranını artırabildiği gözlemlenmiştir.
Özet (Çeviri)
Mobile and wearable sensor technologies have gradually extended their usability into a wide range of applications. The amount of collected sensor data can quickly become immense to be processed. The time and resource-consuming computations on such require efficient methods of machine learning and analysis, where deep learning is a promising technique. However, it is challenging to train and run deep learning algorithms on mobile devices due to resource constraints, such as limited battery power, memory, and computation units. In this thesis, we have focused on evaluating the performance of four different deep architectures when optimized with the Tensorflow Lite platform to be deployed on mobile devices in the field of human activity recognition (HAR). We have used two datasets from the literature (WISDM, MobiAct). We have compared the performance of the original models in terms of model accuracy, model size, and resource usages, such as CPU, memory, energy usage, with their optimized versions. As a result of the experiments, we observe that the model sizes and resource consumption were significantly reduced when the models are optimized compared to the original models. Another focus is on personalizing the deep learning model of HAR tasks considering the MobiAct and OpenHAR datasets with a model trained on a larger dataset and with transfer learning that can be fine-tuned on the device with that user if possible. We observed that transfer learning can increase accuracy rate compared to a general model without user-specific data, or a user-specific model trained with small and user-specific data.
Benzer Tezler
- Veri madenciliği teknikleri ile bulut bilişim tabanlı giyilebilir hareket tanı sistemi oluşturulması
Creating cloud computing based wearable motion diagnostic system with data mining techniques
ERHAN KAVUNCUOĞLU
Doktora
Türkçe
2022
Mühendislik BilimleriErciyes ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESMA UZUNHİSARCIKLI
DOÇ. DR. AHMET TURAN ÖZDEMİR
- Emotion aware artificial intelligence for cognitive systems
Bilişsel sistemler için duygu farkındalıklı yapay zeka
DEĞER AYATA
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Fedopenhar: Federated multi-task transfer learning for sensor-based human activity recognition
Fedopenhar: Sensör-tabanlı insan aktivitesi tanımlama için federe çok-hedefli öğrenme aktarımı
EGEMEN İŞGÜDER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BAHRİ ATAY ÖZGÖVDE
- FIXEIN: A mobile and modular eye tracking system
FIXEIN: Mobil ve modüler bir göz takip sistemi
ŞERİF İNANIR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ CAN KARACA
- Android cihazlarda makine öğrenmesi algoritmaları kullanılarak kötücül yazılım tespiti
Malware detection using machine learning algorithms on android devices
DURMUŞ ÖZKAN ŞAHİN
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs ÜniversitesiHesaplamalı Bilimler Ana Bilim Dalı
PROF. DR. ERDAL KILIÇ