Image classification with energy efficient Hadamard neural networks

Derin öğrenim, görüntü sınıflandırması, nesne tanıma, nesne algılama gibi görüntü işleme görevlerinde son yıllarda önemli başarılar elde etmiştir. Çoklu dizi şeklindeki verileri işlemek üzerine tasarlanmış popüler bir derin öğrenim mimarisi olan evrişimli sinir ağları (CNN), algılama ve tanıma problemleri ve bilgisayarla görme görevlerinin neredeyse tamamında büyük başarı göstermiştir. Ancak CNN'deki yüksek parametre sayısı bilgisayarlar için daha fazla enerji ve daha büyük bellek boyutu gerektirmektedir. Bu sorunu çözmek amacıyla enerji verimli ağ modellerini inceliyoruz. Daha önceden ortaya atılmış olan İkili Ağırlık Katsayılı Ağlar (BWN) gibi enerji tasarruflu modellere ek olarak yeni enerji tasarruflu modeller sunuyoruz. Hadamard-dönüşümlü görüntü ağları (HIN), BWN'nin bir varyasyonu olup, girdi olarak Hadamard dönüşümü ile sıkıştırılmış görüntüleri kullanmaktadır. İkili Ağırlık ve Hadamard-dönüşümlü Görüntü Ağı (BWHIN) BWN ve HIN'i birleştirilmesiyle özgün bir verimli enerjili model olarak geliştirilmiştir. Farklı parametreler ve farklı CNN mimarileri ile sinir ağlarının performansları karşılaştırılmış ve MNIST ve CIFAR-10 veri setleri üzerinde analiz edilmiştir. Enerji verimliliğinin sınıflandırma doğruluğunda küçük bir fedakârlık yapılarak sağlandığı gözlenmiştir. Verimli enerjili ağlar arasında, yeni topluluk modelimiz diğer modellerden daha iyi performans göstermiştir.