Deep learning-based visual object tracking using edge computing on embedded system
Gömülü sistem üzerinde sınır bilişim kullanarak derin öğrenme tabanlı görsel nesne izleme
- Tez No: 718154
- Danışmanlar: DR. ÖĞR. ÜYESİ SERKAN ÖZBAY
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Derin öğrenme, Nesne izleme, Nicemleme, Sınır bilişim, Yapay zeka, Deep learning, Object tracking, Quantization, Edge computing, Artificial intelligence
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Gaziantep Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Devreler ve Sistemler Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bilgisayarla görü görevlerinde derin sinir ağlarının kullanılmasıyla elde edilen son teknoloji ürünü performans, son yıllarda görsel nesne takibinde büyük ilgi görmüştür. Bununla birlikte, bu dikkate değer performans, daha yüksek hesaplama maliyeti ve dolayısıyla gerçek zamanlı olarak çalıştırmak için daha yüksek enerji tüketimi ile ilişkilidir. Bu nedenle, sınırlı kapasiteye sahip uç cihazlarda derin sinir ağlarının kullanılması, özellikle gerçek zamanlı eylem önemli olduğunda, ilgi çekici bir araştırma problemi olmaya devam ediyor. Bu tezde, sınır bilişim uygulamaları için Siyam tabanlı bir görsel nesne izleyici önerilmiştir. Bu çalışmanın amacı, hesaplamaları azaltmaktır ve böylece ölçek tahmini için gereken kapsamlı çok ölçekli aramayı atlamanın yanı sıra, sonuç güvenilir olduğunda ağın çıkarımı daha erken sonlandırmasını sağlayarak izleyiciyi hızlandırmaktır. Erken çıkış davranışı, ağa ne zaman çıkılacağına karar vermek için aşamalı sonucun önceden tanımlanmış kriterlere göre test edildiği üç ek çıkış dalı eklenerek elde edilir. Ayrıca, önerilen modeli hızlandırmak için, ihmal edilebilir bir doğruluk kaybıyla daha düşük hassasiyetli formatlar kullanarak eğitim uygulanır. İki ölçek üzerinde uyarlanabilir çok ölçekli bir arama ile önerilen nicelleştirilmiş izleyici, kabul edilebilir bir doğruluk kaybıyla beraber, bu çalışmada temel olarak alınan yapıdan 4,6 kat daha fazla izleme hızı elde ederek merkezi işlem birimi (CPU) üzerinde 68,5 FPS'de çalışmaktadır.
Özet (Çeviri)
State-of-the-art performance achieved by employing deep neural networks in computer vision tasks has attracted a great attention in visual object tracking in recent years. However, that remarkable performance is associated with higher computational cost, and therefore, higher energy consumption in order to run in real-time. Therefore, using deep neural networks on edge devices with limited resources remains a challenging research problem, particularly when real-time action is crucial. In this thesis, a Siamese-based visual object tracker for edge computing applications is proposed. The aim of this work is to reduce computations, thus boosting the tracker by enabling the network to terminate the inference earlier whenever the result is reliable, in addition to skipping the exhaustive multi-scale search needed for scale estimation. The early exiting behavior is achieved by inserting three additional exit branches into the network at which the staged result is tested on pre-defined criteria to decide when to exit. Moreover, quantization-aware training is applied in order to accelerate the model by using lower precision formats with negligible loss in accuracy. The proposed quantized tracker with an adaptive multi-scale search over two scales runs at 68.5 FPS on CPU achieving 4.6 times faster rate of tracking speed compared to the baseline, associated with an acceptable accuracy loss.
Benzer Tezler
- Otonom araçların şerit algılama sistemlerinde YOLO mimarilerinin (v9, v11, v12, v26) semantik segmentasyon performanslarının karşılaştırmalı değerlendirilmesi
Comparative evaluation of the semantic segmentation performance of YOLO architectures (v9, v11, v12, v26) in lane detection systems of autonomous vehicles
ZEYNEP KUBİLAY YUNSO
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL HAKKI CEDİMOĞLU
- Metasezgisel algoritmalar ve derin öğrenme kullanılarak çok kaynaklı görüntü füzyonu
Multi-source image fusion using metaheuristic algorithms and deep learning
ASAN IHSAN ABAS ABAS
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURDAN BAYKAN
- Elektrikli gemilerin şarj prosesi için yapay zekâ tabanlı yeni bir otonom kontrol sistemi
A novel AI-based autonomous control system for the charging process of electric ships
EMİN GÜNEY
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CÜNEYT BAYILMIŞ
- Bilgisayar görmesi ile saat çizimlerinden dikkat eksikliği ve hiperaktivite bozukluğu tespiti
Detection of attention deficit hyperactivity disorder from clock drawings using computer vision
HOMAM W. ALNİDAWİ
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED FATİH ADAK
DOÇ. DR. ENES SARIGEDİK
- Derin öğrenme ile gerçek zamanlı endüstriyel ürün izleme ve sayım sistemi
Real-time industrial product tracking and counting system with deep learning
FERHAT AKAR
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CÜNEYT BAYILMIŞ