Gömülü sistem üzerinde sınır bilişim kullanarak derin öğrenme tabanlı görsel nesne izleme

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.