Infrared domain adaptation with zero-shot quantization
Veri gerektirmeyen nicelemenin kızılötesi alana uyarlaması
- Tez No: 895985
- Danışmanlar: YRD. DOÇ. DR. ERDEM AKAGÜNDÜZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Modelleme ve Simülasyon Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 72
Özet
Nesne algılama modelleri günlük yaşamda ve endüstride popülerlik kazanmakta ve bu modellerin gerçek zamanlı hesaplanmasına yönelik talep artmaktadır. Model sıkıştırma daha hızlı çıkarım ve daha küçük ayak izleri elde etmek için önemli bir tekniktir. Niceleme, bit genişliğini azaltan ve niceleme hatası pahasına verimliliği artıran yaygın olarak kullanılan bir model sıkıştırma tekniğidir. Eğitim sonrası niceleme ve niceleme farkındalıklı eğitim gibi yöntemler bu hatayı en aza indirmek için eğitim verilerine ihtiyaç duyar. Fakat, gözetim ve otonom sürüş gibi uygulamalarda gizlilik endişeleri nedeniyle eğitim verilerine erişim mümkün olmayabilir. Bu gibi durumlarda, eğitim verilerine ihtiyaç duymadan nicelemeyi uyguladığı için veri gerektirmeyen (sıfır atışlı) niceleme gerekli hale gelir. Ek olarak, aydınlatmaya ve hava koşullarına daha dayanıklı olan kızılötesi görüntüleme genellikle bu uygulamaların bir parçasıdır. Bildiğimiz kadarıyla, kızılötesi alanda veri gerektirmeyen niceleme daha önce araştırılmamıştır. Bu tez, kızılötesi alanı için toplu normalizasyon istatistiklerine dayalı veri gerektirmeyen nicelemeyi uygular. Bu yöntem, toplu normalizasyon istatistiklerini kullanarak sentetik veri üretmeyi amaçlar. YOLOv8 ve RetinaNet için en iyi sonuçları elde etmek amacıyla veri üretme sürecini kapsamlı bir şekilde araştırdık. Kızılötesi adaptasyon için, RGB görüntüyle önceden eğitilmiş modelleri kızılötesi görüntülerle tekrar eğittik. Değerlendirme, veri gerektirmeyen niceleme sonuçlarını hem tam hassasiyetli modellerden hem de eğitim sonrası nicelemeden elde edilen sonuçlarla karşılaştırmaya dayanmaktadır. Ek olarak, model boyutunun veri gerektirmeyen niceleme üzerindeki etkisini inceledik. Sonuçlarımız, toplu normalizasyon istatistiklerine dayalı veri gerektirmeyen nicelemenin kızılötesi alanda daha etkili olduğunu ve eğitim verilerinin bulunmadığı durumlarda gerekli bir yöntem olduğunu göstermektedir.
Özet (Çeviri)
Object detection models are gaining popularity in daily life and industry, increasing the demand for real-time computation of these models. Model compression is an essential technique to achieve faster inference and smaller footprints. Quantization is a widely used model compression technique, reducing bit-width and enhancing efficiency at the cost of quantization error. Methods like post-training quantization and quantization-aware training require training data to minimize this error. However, training data may be inaccessible due to privacy concerns in applications such as surveillance and autonomous driving. In such cases, zero-shot quantization becomes necessary, as it applies quantization without the need for training data. Additionally, infrared imagery, which is more resilient to illumination and weather conditions, is often a part of these applications. To the best of our knowledge, zero-shot quantization in the infrared domain has not been investigated before. This thesis adapts batch normalization statistics-based zero-shot quantization for the infrared domain. This method aims to generate synthetic data by utilizing batch normalization statistics. We thoroughly investigated the data generation process to achieve optimal results for YOLOv8 and RetinaNet. For infrared adaptation, we fine-tuned models that were pretrained on RGB images using infrared images. The evaluation is based on comparing zero-shot quantization results with those from both full-precision models and post-training quantization. Additionally, we examined the effect of model size on zero-shot quantization. Our results show that batch normalization statistics-based zero-shot quantization is more effective in the infrared domain and is an essential method when training data is unavailable.
Benzer Tezler
- Silk fibroin-based smart organohydrogels
İpek fibroin esaslı akıllı organohidrojeller
ÇİĞDEM BUSE ORAL
- Derin öğrenme tabanlı kızıl ötesi hedef tespiti
Deep learning-based infrared target detection
KEVSER İREM DANACI
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSivas Bilim ve Teknoloji ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. ERDEM AKAGÜNDÜZ
- Bio-inspired short-wave infrared single photon detectors and imagers with high gain, suppressed noise and low jitter
Başlık çevirisi yok
ÖMER GÖKALP MEMİŞ
- Object detection from registered visual and infrared sequences with the help of active contours
Aktif konturlar yardımıyla, birbiriyle uyumlanmış renkli ve kızıl ötesi dizilerinden nesnelerin bulunması
HÜSEYİN YÜRÜK
Yüksek Lisans
İngilizce
2008
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Bölümü
DR. İLKAY ULUSOY
- Spektral indekslerin arazi örtüsü/kullanımı sınıflandırmasına etkisi: İstanbul, Beylikdüzü ilçesi, arazi kullanımı değişimi
Effect of spectral indices over land use/cover classification: İstanbul, Beylikduzu district, land use change
ÖZGE KAYMAN
Yüksek Lisans
Türkçe
2015
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ SUNAR