magistrsko delo
Timotej Knez (Author), Veljko Pejović (Mentor)

Abstract

Uporaba nevronskih mrež na področju mobilnega zaznavanja postaja vse pogostejša. Z visokimi točnostmi pa prinaša tudi težave glede visokih procesnih zahtev in velike porabe energije. To rešujemo z uporabo različnih optimizacij nevronske mreže, ki pa poleg zmanjšanja računske zahtevnosti zmanjšajo tudi točnost. Ker je okolje mobilnega zaznavanja po naravi dinamično, se tudi potrebe po optimizaciji spreminjajo skozi čas. V tem delu predlagamo postopek, s katerim lahko sproti izbiramo najbolj optimalen nivo optimizacije nevronske mreže, kar pomeni, da lahko pri primerih, ki so preprosti za klasifikacijo, energijo privarčujemo, pri zahtevnejših primerih pa uporabimo natančnejšo mrežo, kar poskrbi za manjši padec točnosti. Postopek smo preizkusili na področju prepoznave aktivnosti, ki je med pomembnejšimi problemi mobilnega zaznavanja. Naši rezultati kažejo, da lahko z dinamičnim prilagajanjem optimizacije dosežemo boljšo točnost, kot bi jo lahko ob enaki stopnji optimizacije dosegli, če bi nivo optimizacije izbrali statično. Prepoznavanje aktivnosti z nevronskimi mrežami smo implementirali tudi na dejanski mobilni napravi in preizkusili delovanje izbire optimizacije z lastnim eksperimentom.

Keywords

mobilno zaznavanje;nevronske mreže;dinamična optimizacija;kvantizacija;tanjšanje nevronske mreže;računalništvo in informatika;magisteriji;

Data

Language: Slovenian
Year of publishing:
Typology: 2.09 - Master's Thesis
Organization: UL FRI - Faculty of Computer and Information Science
Publisher: [T. Knez]
UDC: 004.8(043.2)
COBISS: 76067075 Link will open in a new window
Views: 249
Downloads: 33
Average score: 0 (0 votes)
Metadata: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Other data

Secondary language: English
Secondary title: Context-dependent adjustment of computation complexity in mobile sensing
Secondary abstract: The use of neural networks in mobile sensing is becoming increasingly popular. Neural networks, however, bring high performance at the cost of resource intensiveness and high power consumption. To mitigate that, we can use a variety of optimization techniques, which reduce computational demands, but also reduce accuracy. Since mobile sensing is inherently dynamic, using only one static level of optimization is not ideal. In this work, we propose an approach to dynamically selecting the level of optimization during real-time classification. By doing so, we can use a simpler model for classifying examples that are easy to classify, thus saving some energy and a more complex classifier for more difficult examples, preventing accuracy drop. We implemented the approach on an activity detection application and showed that by using dynamic optimization selection we can achieve higher accuracy than would be possible by statically selecting the same optimization level. We also implemented the activity detection pipeline on an actual mobile device and confirmed our results with an experiment of our own.
Secondary keywords: mobile sensing;neural networks;dynamic optimization;quantization;dnn slimming;computer science;computer and information science;master's degree;Umetna inteligenca;Računalništvo;Univerzitetna in visokošolska dela;
Type (COBISS): Master's thesis/paper
Study programme: 1000471
Embargo end date (OpenAIRE): 1970-01-01
Thesis comment: Univ. v Ljubljani, Fak. za računalništvo in informatiko
Pages: 67 str.
ID: 13331872