Συγκριτική Αξιολόγηση Μοντέλων Βαθιάς Μάθησης για Προβλήματα Όρασης Υπολογιστών σε Εφαρμογές Κινητών Συσκευών

Abstract

Η ενσωμάτωση της Βαθιάς Μάθησης στις κινητές συσκευές αντιμετωπίζει μέχρι και σήμερα αρκετές προκλήσεις. Αν και τα τελευταία χρόνια έχουν γίνει τεράστια άλματα, δεν υπάρχει ακόμη ένα ενοποιημένο σύστημα - πλαίσιο που να επιτρέπει στους προγραμματιστές να εισάγουν εύκολα και γρήγορα βαθιά νευρωνικά δίκτυα στις εφαρμογές τους. Επομένως, κρίνεται αναγκαίο να γνωρίζουμε την απόδοση ευρέως γνωστών αρχιτεκτονικών βαθιών νευρωνικών δικτύων σε κοινές, ευρέως χρησιμοποιούμενες κινητές συσκευές. Οι προκλήσεις της Βαθιάς Μάθησης στις κινητές συσκευές μπορούν να συνοψιστούν (α) στην ποικιλομορφία στις δυνατότητες επεξεργασίας, που οδηγεί σε ευρεία ετερογένεια και μη συνεπή απόδοση μεταξύ των κινητών συσκευών, (β) στην ποικιλία των μοντέλων Βαθιάς Μάθησης, όσον αφορά στο πρόβλημα, την αρχιτεκτονική και τις απαιτήσεις πόρων, και (γ) στην μεταβλητότητα των απαιτήσεων απόδοσης σχετικά με την ακρίβεια, την καθυστέρηση, τη μνήμη και την ενέργεια σε όλες τις εφαρμογές. Στην παρούσα διπλωματική εργασία εκτελείται μια συγκριτική αξιολόγηση της απόδοσης μοντέλων Βαθιάς Μάθησης σε πραγματικά σενάρια εφαρμογών κινητών συσκευών. Γίνεται χρήση ενός πλήθους από δίκτυα, εκπαιδευμένα σε διαφορετικά προβλήματα Βαθιάς Μάθησης, ενώ παράλληλα εξετάζονται διάφοροι τρόποι κβαντοποίησης. Οι είσοδοι των μοντέλων είναι εικόνες και προκύπτουν περιοδικά από τον αισθητήρα της κάμερας της κινητής συσκευής, ενώ για την εκτέλεση της συμπερασματολογίας υπάρχει η δυνατότητα επιλογής όλων των διαθέσιμων επεξεργαστών. Τα αποτελέσματα δείχνουν ότι είναι δύσκολο να βρεθεί ένα πλήρως αντιπροσωπευτικό δείγμα μοντέλων και συσκευών με βάση το οποίο να μπορούν να εξαχθούν ορθά συμπεράσματα και για άλλες περιπτώσεις. Επομένως, κατά την ενσωμάτωση της Βαθιάς Μάθησης σε δυναμικά περιβάλλοντα κινητού υπολογισμού κρίνεται απαραίτητο να υπάρχει ένα υποσύστημα, το οποίο θα ελέγχει συνεχώς τις δυναμικές παραμέτρους του συστήματος και θα προσαρμόζει κατάλληλα τις παραμέτρους της εφαρμογής, όπως είναι το μοντέλο, το σημείο εκτέλεσης, κ.α.