Streaming multiscale deep equilibrium models
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: CAN UFUK ERTENLİ
Asıl Danışman (Eş Danışmanlı Tezler İçin): Ramazan Gökberk Cinbiş
Eş Danışman: EMRE AKBAŞ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Son yıllarda tanıma sorunlarının çözümü için çok sayıda dikkate değer gelişme olmuştur. Akan veriler üzerindeki tanıma görevleri bunlardan önemli bir tanesidir. Özellikle otonom sürüş ve robot kontrolü gibi gerçek zamanlı uygulamalar için akan veriler üzerinden verimli çıkarsama yapmak çok kritik olmaktadır. Bu amaçla, bu tezde, videolarda kare başına öznitelikleri, yapılan hesaplama miktarını en aza indirerek çıkartabilen bir yöntem olan StreamDEQi sunuyoruz. Hesaplama süresinin ağ derinliği ile en azından doğrusal olarak arttığı geleneksel yöntemlerin aksine, öznitelikleri sürekli bir şekilde güncellemeyi amaçlıyoruz. Bu amaçla, bir sabit nokta problemini çözerek bir görüntünün özniteliğini çıkaran son zamanlarda ortaya çıkan örtük katman modellerinden yararlanıyoruz. Ana anlayışımız, videoların yavaş değişen doğasından yararlanmak ve önceki karenin özniteliğini her yeni karede başlangıç noktası olarak kullanmaktır. Bu yaklaşım, son çıkarsama hesaplamalarını etkin bir şekilde geri dönüştürerek gerekli işlem süresini büyük ölçüde azaltır. Kapsamlı deneysel analizlerimiz sayesinde, StreamDEQin birkaç karelik süre içinde en iyiye yakın öznitelikler elde edebildiğini ve video süresi boyunca kare bazında güncel bir öznitelik sürdürebildiğini gösteriyoruz. Video anlamsal bölümleme ve video nesne tanıma üzerindeki deneylerimiz, StreamDEQin referans modelden (standart MDEQ) 3 kattan daha hızlı olurken, onunla benzer doğrulukta sonuç üretebildiğini göstermektedir.