Exploiting spatial redundancy in feature maps to accelerate convolutional neural networks

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Fen Bilimleri Enstitüsü, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: İngilizce

Öğrenci: MUHAMMED YASİN ULAŞ

Asıl Danışman (Eş Danışmanlı Tezler İçin): Emre Akbaş

Eş Danışman: Fatoş Tunay Yarman Vural

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bilgisayarlı görü alanı, evrişimli sinir ağlarının (CNN'lerin) ortaya çıkmasıyla önemli ölçüde değişmiştir. O zamandan bu yana, CNN'ler resim sınıflandırma, nesne tanıma ve örnek bölütleme gibi çeşitli görevlerde önceki yöntemlerden daha üstün performans elde etmiştir. Bununla birlikte, hesaplama açısından yoğun olmaları ve önemli miktarda hesaplama kaynakları gereksinimleri, sınırlı donanıma sahip cihazlarda kullanılmalarını engellemektedir. Dahası, enerji tüketimleri ve karbon ayak izleri önemli bir sorun haline gelmiştir. Bunun sonucunda, araştırmacılar CNN'leri hızlandırmak için birçok yöntem geliştirmiştir. Bu çalışmada, CNN'lerin evrişim katmanlarını hızlandırmak için özellik haritasında fazlalık olarak değerlendirilen parçaları işlemeyi es geçen Fazlalık Farkında Evrişim (RAConv) adı verilen yeni bir evrişim işlemi türü öneriyoruz. Önerilen yöntemi test etmek için, ilk olarak VGG-11 modelini Imagenette veri kümesi üzerinde temel model olarak eğitiyoruz. Ardından, VGG-11'in bir veya daha fazla evrişim katmanını RAConv katmanlarıyla değiştiriyor, modeli aynı üst değişkenlerle eğitiyor ve işlemci üzerindeki çıkarsama performanslarını karşılaştırıyoruz. Deneysel sonuçlar, tek bir katmanın doğrulukta bir düşüş olmadan 2,7 kat hızlanma elde ettiğini ve birden fazla katmanın doğrulukta yüzde 0,9'luk bir düşüşle 1,2 kat genel hızlanma elde ettiğini göstermektedir.