Geri Dön

Adaptive network selection technique in cascaded convolutional neural networks

Kademeli evrişimli sinir ağlarında uyarlanabilir ağ seçimi tekniği

PDF İndir

  1. Tez No: 812877
  2. Yazar: EKİN SARP ÖNAL
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ERHAN GÖKÇAY
  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: 2023
  8. Dil: İngilizce
  9. Üniversite: Atılım Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 67

Özet

Dinamik sinir ağı, derin öğrenmede önemli bir araştırma alanıdır. Sunulan tez, statik modellerin verimliliğini ve uyarlanabilirliğini artırmak için iki veya daha fazla sinir ağını artan derinlikte bağlamak için bir yönlendirici kullanan kademeli sinir ağına odaklanmaktadır. Bu tezde, kademeli derin sinir ağlarında ağ seçimi için parametresiz bir teknik önerdik. Bu teknik, sığ ağların da birçok örneği doğru bir şekilde sınıflandırabilmesi gerçeğinden yararlanarak, eğitim ve çıkarım için gereken hesaplama süresini azaltmayı amaçlamaktadır. Kademeli sinir ağı, softmax marjı ve klasik LeNet modelinin kısa bir açıklamasını takiben, yeni bir kademeli sinir ağı algoritması tanıtılmaktadır. Önerilen model; MNIST, EMNIST ve Fashion-MNIST veri kümelerinde etkinlik ve performans açısından LeNet ile karşılaştırılmaktadır. Sayısal sonuçlar, önerilen teknikle referans modelinin verimliliğinin büyük ölçüde arttığını ve doğruluktan ödün vermeden geliştirildiğini göstermektedir.

Özet (Çeviri)

Dynamic neural network is an important research area in deep learning. The presented thesis focuses on cascaded neural network which is a sub-topic of dynamic neural network, that utilizes a router for connecting two or more neural networks with increasing depth in order to enhance the efficiency and adaptiveness of static models. In this thesis, we proposed a parameter-free technique for network selection in cascaded deep neural networks in order to reduce the computational time required for training and inference by taking advantage of the fact that shallow networks are also able to correctly classify many samples. Following a brief explanation of the cascaded neural network, softmax margin, and classical LeNet model; a novel cascaded neural network algorithm is introduced. The proposed model is compared to LeNet in terms of efficiency and performance on MNIST, EMNIST, and Fashion-MNIST datasets with various networks utilized as small modules of the cascaded model. Numerical results demonstrated that the proposed technique greatly improves the efficiency of the benchmark model without sacrificing accuracy.

Benzer Tezler

  1. Tez No

    648242

    Visible light communication techniques for future generation underwater networks

    Başlık çevirisi yok

    MOHAMMED ELAMASSIE

    Doktora

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik MühendisliğiÖzyeğin Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    Prof. Dr. MURAT UYSAL

  2. Tez No

    859785

    Dikgen olmayan çoklu erişim tabanlı 5G ve ötesi haberleşme sistemlerinin başarım analizi

    Performance analysis of non-orthogonal multiple access-based 5G and beyond communication systems

    İNCİ UMAKOĞLU

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA NAMDAR

    DR. ÖĞR. ÜYESİ ARİF BAŞGÜMÜŞ

  3. Tez No

    555474

    Novel model selection criteria on high dimensional biological networks

    Yüksek boyutlu biyolojik ağlarda model seçme kriterleri

    GÜL BAHAR BÜLBÜL

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    İstatistikOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. VİLDA PURUTÇUOĞLU GAZİ

  4. Tez No

    467041

    Wavelet frames and redundant wavelet transforms for fault detection

    Dalgacık çerçeveleri ve artıklı dalgacık dönüşümleri ile arıza tespiti

    TAYFUN ŞENGÜLER

    Doktora

    İngilizce

    İngilizce

    2017

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAHİN SERHAT ŞEKER

  5. Tez No

    353685

    A new energy efficient forwarder set based dynamic duty cycled routing in wireless sensor networks

    Kablosuz sensör ağlarında yönlendirme kümesine göre dinamik çevrimli yeni bir yönlendirme tekniği

    SILA ÖZEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SEMA FATMA OKTUĞ

Geri Dön