On-device deep learning for mobile and wearable computing

Son senelerde, mobil ve giyilebilir algılayıcı teknolojileri, kullanılabilirliklerini artırarak, kademeli olarak geniş bir uygulama yelpazesine ulaştı. Bunula paralel olarak, toplanan veri miktarı hızla işlenmek için çok büyük hale gelmeye başladı. Büyük verilerin işlenmesi uzun zaman ve büyük kaynak tüketen hesaplamalar içerdiğinden, derin öğrenmenin umut verici bir teknik olduğu ve sınıflandırma ve analiz süreçlerini etkinleştirdiği ortaya çıktı. Ancak sınırlı pil gücü, bellek ve hesaplama birimleri gibi kaynak kısıtları nedeniyle, mobil cihazlarda derin öğrenme algoritmalarını eğitmek ve çalıştırmak oldukça zorlu olmaktadır. Bu çalışmada, Tensorflow Lite platformuyla optimize edilen dört farklı İnsan Etkinliği Tanıma (İET) mimarisi oluşturup, mobil cihazlardaki performanslarını değerlendirmeye odaklanılmıştır. Akademik yazından iki farklı veri kümesi (WISDM ve MobiAct) alınmıştır. Orijinal modellerin performansı, model doğruluğu, model boyutu ve işlemci, bellek ve enerji kullanımı gibi kaynak kullanımları açısından optimize edilmiş halleriyle karşılaştırılmıştır. Deneyler sonucunda, modeller orijinal modellere göre optimize edildiğinde, model boyutlarının ve kaynak tüketiminin önemli ölçüde azaldığı gözlemlenmiştir. Diğer bir odak noktası, MobiAct ve OpenHAR veri kümeleri üzerinde, İET görevlerinin derin öğrenme modelini, daha büyük bir veri kümesi üzerinde eğitilmiş bir model ve mümkünse o kullanıcıyla cihazda ince ayar yapılabilen öğrenme aktarımı ile kişiselleştirmek olmuştur. Kullanıcı verileri olmadan elde edilen genel bir model veya küçük veri grubuyla eğitilen kullanıcıya özel bir modelin iyi sonuçlar vermeyebileceği saptanmıştır. Ayrıca, öğrenme aktarımının doğruluk oranını artırabildiği gözlemlenmiştir.