Piramit eğitim ve özellik azaltımı için yenilikçi bir yöntem

Bu çalışmada, en güncel stereo görüntü eşleme modellerinde yüksek GPU bellek gereksinimleri sorununu ele alınmıştır. Sınırlı hesaplama kaynakları göz önüne alındığında, makine öğrenimi modellerinin boyut gereksinimlerini azaltmak için Piramit Eğitim Yaklaşımı ve Benzerlik Karşılaştırması adı verilen yeni bir teknik önerilmiştir. Yöntemimiz, küçük sinir ağlarının bağımsız olarak eğitilmesini ve daha büyük ağlar oluşturmak üzere birleştirilmesini içerirmektedir. Bir bireysel ağın eğitimi tamamlandıktan sonra, yeni, daha büyük bir ağ oluşturmak için başka bir ağ ile birleştirilir ve bu yeni ağ daha sonra yeniden eğitilmektedir. Bu yinelemeli süreç, giderek daha büyük ağlar oluşturarak devam eder ve bu süreç sırasında, başlangıçtaki ağların ağırlıkları yeterli eğitim olgunluğuna ulaştığında dondurularak bellek tasarrufu sağlanır. Ayrıca, farklı ağların birleştirilmesi sırasında çıktı özellik haritalarındaki özellikler arasında benzerlik karşılaştırması yaparak, benzerlik matrisi kullanarak gereksiz özellikleri tanımlanır ve birleştirilmektedir. Bu yaklaşım, özellik haritalarının boyutunu etkili bir şekilde azaltarak genel bellek kullanımını düşürmektedir. Deneysel sonuçlarımız, bu yöntemin GPU bellek gereksinimlerini önemli ölçüde azaltırken farklı alanlarda rekabetçi performansı koruduğunu göstermektedir. Bu teknik, sınırlı donanım kaynakları üzerinde büyük ölçekli modellerin dağıtılması için uygun bir çözüm sunarak daha geniş erişilebilirlik ve uygulama kolaylığı sağlamaktadır.