Yüksek Lisans Adayı: Burak Sevsay

EABD: Çokluortam Bilişimi

Tarih: 03.09.2024 / 11:00

Yer: B-116

Özet: Nesne algılama modelleri günlük yaşamda ve endüstride popülerlik kazanmakta ve bu modellerin gerçek zamanlı hesaplanmasına yönelik talep artmaktadır. Model sıkıştırma daha hızlı çıkarım ve daha küçük ayak izleri elde etmek için önemli bir tekniktir. Niceleme, bit genişliğini azaltan ve niceleme hatası pahasına verimliliği artıran yaygın olarak kullanılan bir model sıkıştırma tekniğidir. Eğitim sonrası niceleme ve niceleme farkındalıklı eğitim gibi yöntemler bu hatayı en aza indirmek için eğitim verilerine ihtiyaç duyar. Fakat, gözetim ve otonom sürüş gibi uygulamalarda gizlilik endişeleri nedeniyle eğitim verilerine erişim mümkün olmayabilir. Bu gibi durumlarda, eğitim verilerine ihtiyaç duymadan nicelemeyi uyguladığı için veri gerektirmeyen (sıfır atışlı) niceleme gerekli hale gelir. Ek olarak, aydınlatmaya ve hava koşullarına daha dayanıklı olan kızılötesi görüntüleme genellikle bu uygulamaların bir parçasıdır. Bildiğimiz kadarıyla, kızılötesi alanda veri gerektirmeyen niceleme daha önce araştırılmamıştır. Bu tez, kızılötesi alanı için toplu normalizasyon istatistiklerine dayalı veri gerektirmeyen nicelemeyi uygular. Bu yöntem, toplu normalizasyon istatistiklerini kullanarak sentetik veri üretmeyi amaçlar. YOLOv8 ve RetinaNet için en iyi sonuçları elde etmek amacıyla veri üretme sürecini kapsamlı bir şekilde araştırdık. Kızılötesi adaptasyon için, RGB görüntüyle önceden eğitilmiş modelleri kızılötesi görüntülerle tekrar eğittik. Değerlendirme, veri gerektirmeyen niceleme sonuçlarını hem tam hassasiyetli modellerden hem de eğitim sonrası nicelemeden elde edilen sonuçlarla karşılaştırmaya dayanmaktadır. Ek olarak, model boyutunun veri gerektirmeyen niceleme üzerindeki etkisini inceledik. Sonuçlarımız, toplu normalizasyon istatistiklerine dayalı veri gerektirmeyen nicelemenin kızılötesi alanda daha etkili olduğunu ve eğitim verilerinin bulunmadığı durumlarda gerekli bir yöntem olduğunu göstermektedir.