Συγκριτική αξιολόγηση μοντέλων βαθιάς μάθησης για προβλήματα όρασης υπολογιστών σε εφαρμογές κινητών συσκευών

Δερέμπεη, Στυλιανή-Αποστολία; Derempei, Styliani-Apostolia

dc.contributor.author	Δερέμπεη, Στυλιανή-Αποστολία	el
dc.contributor.author	Derempei, Styliani-Apostolia	en
dc.date.accessioned	2022-02-28T21:38:05Z
dc.date.available	2022-02-28T21:38:05Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54882
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22580
dc.rights	Default License
dc.subject	Βαθιά μάθηση	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Κινητές συσκευές	el
dc.subject	Εφαρμογή κάμερας	el
dc.subject	Συγκριτική αξιολόγηση	el
dc.subject	Deep learning	en
dc.subject	Convolutional neural network	en
dc.subject	Mobile devices	en
dc.subject	Camera application	en
dc.subject	Benchmarking	en
dc.title	Συγκριτική αξιολόγηση μοντέλων βαθιάς μάθησης για προβλήματα όρασης υπολογιστών σε εφαρμογές κινητών συσκευών	el
heal.type	bachelorThesis
heal.classification	Βαθιά μάθηση	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-11-05
heal.abstract	Η ενσωμάτωση της Βαθιάς Μάθησης στις κινητές συσκευές αντιμετωπίζει μέχρι και σήμερα αρκετές προκλήσεις. Αν και τα τελευταία χρόνια έχουν γίνει τεράστια άλματα, δεν υπάρχει ακόμη ένα ενοποιημένο σύστημα - πλαίσιο που να επιτρέπει στους προγραμματιστές να εισάγουν εύκολα και γρήγορα βαθιά νευρωνικά δίκτυα στις εφαρμογές τους. Επομένως, κρίνεται αναγκαίο να γνωρίζουμε την απόδοση ευρέως γνωστών αρχιτεκτονικών βαθιών νευρωνικών δικτύων σε κοινές, ευρέως χρησιμοποιούμενες κινητές συσκευές. Οι προκλήσεις της Βαθιάς Μάθησης στις κινητές συσκευές μπορούν να συνοψιστούν (α) στην ποικιλομορφία στις δυνατότητες επεξεργασίας, που οδηγεί σε ευρεία ετερογένεια και μη συνεπή απόδοση μεταξύ των κινητών συσκευών, (β) στην ποικιλία των μοντέλων Βαθιάς Μάθησης, όσον αφορά στο πρόβλημα, την αρχιτεκτονική και τις απαιτήσεις πόρων, και (γ) στην μεταβλητότητα των απαιτήσεων απόδοσης σχετικά με την ακρίβεια, την καθυστέρηση, τη μνήμη και την ενέργεια σε όλες τις εφαρμογές. Στην παρούσα διπλωματική εργασία εκτελείται μια συγκριτική αξιολόγηση της απόδοσης μοντέλων Βαθιάς Μάθησης σε πραγματικά σενάρια εφαρμογών κινητών συσκευών. Γίνεται χρήση ενός πλήθους από δίκτυα, εκπαιδευμένα σε διαφορετικά προβλήματα Βαθιάς Μάθησης, ενώ παράλληλα εξετάζονται διάφοροι τρόποι κβαντοποίησης. Οι είσοδοι των μοντέλων είναι εικόνες και προκύπτουν περιοδικά από τον αισθητήρα της κάμερας της κινητής συσκευής, ενώ για την εκτέλεση της συμπερασματολογίας υπάρχει η δυνατότητα επιλογής όλων των διαθέσιμων επεξεργαστών. Τα αποτελέσματα δείχνουν ότι είναι δύσκολο να βρεθεί ένα πλήρως αντιπροσωπευτικό δείγμα μοντέλων και συσκευών με βάση το οποίο να μπορούν να εξαχθούν ορθά συμπεράσματα και για άλλες περιπτώσεις. Επομένως, κατά την ενσωμάτωση της Βαθιάς Μάθησης σε δυναμικά περιβάλλοντα κινητού υπολογισμού κρίνεται απαραίτητο να υπάρχει ένα υποσύστημα, το οποίο θα ελέγχει συνεχώς τις δυναμικές παραμέτρους του συστήματος και θα προσαρμόζει κατάλληλα τις παραμέτρους της εφαρμογής, όπως είναι το μοντέλο, το σημείο εκτέλεσης, κ.α.	el
heal.advisorName	Βενιέρης, Ιάκωβος	el
heal.committeeMemberName	Κακλαμάνη, Δήμητρα-Θεοδώρα	el
heal.committeeMemberName	Βενιέρης, Ιάκωβος	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	80 σ.	el
heal.fullTextAvailability	false