Reducing the computational cost of deep learning models for computer vision applications
Obje taniyan derin öğrenme modellerinin hesap yükünün iyileştirilmesi
- Tez No: 990212
- Danışmanlar: DOÇ. DR. AHMET AYDIN, DOÇ. DR. ERCAN AVŞAR
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Hafif sinir ağları, Derin öğrenme, Gerçek zamanlı işleme, Verimli sinir ağları, Görüntü sınıflandırma, Lightweight neural networks, Deep
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Derin sinir ağları, bilgisayarlı görü alanında son teknoloji performans elde etse de yüksek hesaplama ve bellek gereksinimleri nedeniyle kaynakları kısıtlı platformlarda dağıtımı zor olmaktadır. Bu tez, görüntü sınıflandırma, nesne tespiti ve tıbbi görüntüleme görevlerinde güçlü doğruluğu korurken FLOP sayısını, parametre miktarını ve gecikmeyi azaltan hafif model ve tekniklerden oluşan bir yaklaşım sunmaktadır. LatentResNet, önceden eğitilmiş bir kodlayıcı kullanarak girdileri sıkıştırmakta ve gizil temsilleri, ResNet'ten esinlenen verimlilik odaklı DeepResNet bloklarıyla iyileştirmektedir. ViTiny, yama gömme yerine piksel başına belirteçler kullanarak, ileri beslemeli MLP'yi kaldırarak ve doğrusal olmayan projeksiyonlar ile Artık Küresel-Bağlam Kanal Kapılama modülü ekleyerek Vision Transformer mimarisini yeniden tasarlamaktadır. Kodlayıcı ile bütünleştirilen EViTiny, daha düşük FLOP ve parametre sayısıyla benzer ya da daha yüksek doğruluk elde etmektedir. Ghost DeepResNet, hayalet modüller, budama ve düşük hassasiyetli nicemleme ile yaklaşık 30 MFLOP, 10 bin parametre ve milisaniyenin altında gecikme sağlamaktadır. Nesne tespiti için YOLO AquaLite, YOLOv11'i sıkıştırılmış kodlama ve verimli bloklarla değiştirerek, minimum mAP kaybıyla daha hızlı çıkarım sunmaktadır. Kapsamlı deneyler, performanstan ödün vermeden önemli verimlilik kazanımlarını doğrulamaktadır.
Özet (Çeviri)
Deep neural networks achieve state-of-the-art results in computer vision but are difficult to deploy on resource-constrained platforms due to high computational and memory costs. This dissertation proposes a suite of lightweight models and techniques that reduce FLOPs, parameter counts, and latency while maintaining strong accuracy across image classification, object detection, and medical imaging tasks. LatentResNet compresses inputs using a pretrained encoder and refines latent features with efficiency-driven DeepResNet blocks inspired by ResNet. ViTiny redesigns Vision Transformers by using per-pixel tokens, removing the feedforward MLP, and adding nonlinear projections and a Residual Global-Context Channel Gating module. Integrated with the encoder, EViTiny achieves lower FLOPs and parameters while matching or exceeding peer accuracy. Ghost DeepResNet further reduces complexity using ghost modules, pruning, and quantization, reaching ~30 MFLOPs, 10k parameters, and sub-millisecond latency. For object detection, YOLO AquaLite modifies YOLOv11 with compressed encoding and efficient blocks, achieving faster inference with minimal mAP loss. Extensive experiments confirm significant efficiency gains without sacrificing performance.
Benzer Tezler
- Derin öğrenme modelleri kullanarak yazma alanında özgül öğrenme güçlüklerinin erken teşhisi
Early diagnosis of specific learning difficulties in writing using deep learning models
NEŞE ÖZKUM
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NEJAT YUMUŞAK
- Superpixel assisted deep neural network for breast tumor segmentation in ultrasound images
Süperpiksel destekli derin sinir ağı ile meme ultrason görüntülerinde tümör segmentasyonu
NEFİSE UYSAL
Yüksek Lisans
İngilizce
2022
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
ÖĞR. GÖR. MURAT GEZER
- A new dataset for benchmarking underwater image enhancement methodologies
Sualtı görsellerde iyileştirme yöntemleri kalite testi için bir veri seti
ALP YÜCESOY
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURAK ARSLAN
- Evrşimsel sinir ağları ile 3D CAD modeller üzerinde benzerlik analizi
Similarity analysis on 3D CAD models with convolutional neural networks
RUKİYE TİPİ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KORAY ALTUN
- A data-centric unsupervised 3D mesh segmentation method
Veri merkezli denetimsiz 3B nesne segmentasyon metotu
TALYA TÜMER SİVRİ
Yüksek Lisans
İngilizce
2022
MatematikOrta Doğu Teknik ÜniversitesiModelleme ve Simülasyon Ana Bilim Dalı
DOÇ. DR. YUSUF SAHİLLİOĞLU