| دانشجو سیدمهدی شریعت زاده دانشجوی دکتر محمود فتحی مورخ ۱۴۰۳/۰۶/۲۸ ساعت: ۱۳ از رساله دکتری خود با عنوان "جستجوی معماری عصبی کارآمد در شبکه‌ها‌ی عصبی پیچشی عمیق برای کاربردهای بینایی ماشینی " دفاع خواهند نمود. |
ارائه دهنده:
سیدمهدی شریعت زاده
استاد راهنما:
دکتر محمود فتحی
دکتر رضا برنگی
هیات داوران:
دکتر ناصر مزینی
دکتر محمدرضا محمدی
دکتر رضا رحمتی
دکتر مهدیه سلیمانی
زمان : ۲۸ شهریور ماه ۱۴۰۳
ساعت: ۱۳
مکان : دانشکده مهندسی کامپیوتر: اتاق ارائه، طبقه سوم
چکیده پایان نامه :
هدف اصلی این رساله، بررسی و ارائه یک روش برای یافتن خودکار معماری‌ها‌ی بهینه شبکه‌ها‌ی عصبی پیچشی عمیق از جنبه‌ها‌یی چون دقت، پیچیدگی محاسباتی و میزان حافظه مصرفی در حوزه بینایی ماشینی است. برای این منظور از جستجوی معماری عصبی چندهدفه بهره گرفته شده تا بتوان به طور همزمان مقادیر خصوصیات مطلوب شبکه را به کمک تحلیل پارتو بهینه‌سازی نمود. ابتدا با انجام جستجوی معماری عصبی مبتنی بر الگوریتم ژنتیک و جستجوی تکراری محلی، برخی ویژگی‌ها‌ی فضای پایه جستجو را شناسایی و استخراج کرده ایم. در ادامه یک روش تک‌شات (که کم هزینه‌ترین روش جستجوی معماری عصبی است) به منظور یافتن معماری مناسب پیشنهاد کرده ایم. کل این فرایند با لحاظ کردن بهینه‌سازی چندهدفه و مجموعه پارتوی پاسخ‌های یافته شده صورت می‌گیرد. نهایتا راهکارهایی برای ارتقاء فرایند جستجوی معماری عصبی چندهدفه در مسائل کاربردی بینایی ماشینی ارائه کرده ایم. تجربیات عملی نشان می‌دهد که روش پیشنهادی کارآیی مناسبی در حل مسأله نمونه بینایی ماشینی دارد.
Abstract:
In the field of artificial intelligence, deep learning models and, in particular, deep convolutional neural networks are one of the drivers of signal processing and data processing. Neural architecture search or NAS is an automatic solution to optimize and solve some problems of neural networks, which is the main topic of this thesis.
The main goal of this thesis is to investigate and present a method for automatically finding optimal architectures of deep convolutional neural networks for machine vision from aspects such as accuracy, computational complexity and the amount of memory consumed. For this purpose, we use multi-objective neural architecture search and single-shot methods, which are among the lightest methods proposed for neural architecture search. First, by conducting neural architecture search based on methods such as local iterative search and genetic algorithm, we identify and extract some features of the basic search space. In the following, we will use a one-shot method (which is the least expensive neural architecture search method) in order to find a suitable architecture. This whole process is done by considering multi-objective optimization and Pareto set of found answers. Finally, we provide solutions to improve the NAS process in a multi-objective manner in the industrial application problems of machine vision. Operational experiences show the effectiveness of the proposed method and its efficiency in solving machine vision problems.
|