Hardware ımplementatıon of 3D data processıng usıng deep neural networks

Son on yılda, yapay zeka teknolojilerinin hızla gelişmesi, derin sinir ağlarının birçok veri işleme görevinin ayrılmaz bir parçası haline gelmesine yol açmıştır. Derin sinir ağları, belirli fonksiyonlar ile oluşturulmuş özelliklere dayanan matematiksel modelleme yöntemleri yerine, verilerin yorumlanmasını veriden doğrudan ve otomatik olarak öğrenerek, klasik modellere göre çok daha yüksek performans göstermiş ve bu sayede veri işleme alanını büyük ölçüde etkilemiştir. En büyük ilerlemelerin kaydedildiği alanlardan biri, bilgisayarlı görü alanı olmuştur. Bunun en büyük sebebi görsel verinin karmaşık yapısı ve klasik yöntemlerle işlenmesinin zor olmasıdır. 2 boyutlu görüntü işlemenin yanı sıra, derin sinir ağları otonom sürüş, robotik ve sanal gerçeklik gibi uygulamalar için kritik olan 3 boyutlu veri işlemede de etkili olduğunu kanıtlamıştır. Bu uygulamaların başarısı, değişken ortamlardaki nesnelerin doğru bir şekilde algılanması ve uzamsal ilişkilerin anlaşılması ile mümkündür. Bu çalışmada, özellikle LiDAR sensörleri tarafından üretilen nokta bulutu verileri olmak üzere, 3 boyutlu veri işleme için geliştirilmiş derin sinir ağlarını inceledik. Nokta bulutu işlerken karşılaşılan düzensiz yapı ve yüksek boyutluluk gibi zorluklara da değindik. Bu sorunların üstesinden gelmek için, derinlik tahmini sorununa odaklanarak 2 boyutlu görüntü verileri üzerinden 3 boyutlu sahne anlama yöntemlerini araştırdık. Bununla birlikte, üretilen modellerin kullanılacağı uç cihazların güç ve gecikme süresi gibi kısıtlarını göz önünde bulundurarak, tasarladığımız sinir ağlarının donanımda etkili bir şekilde uygulanması ve hızlandırılması için kullanabileceğimiz yöntemleri araştırdık.