Yazar
Özer, Sedat, Ilhan, H. E., Özkanoğlu, Mehmet Akif, Cirpan, H. A.
Basım Tarihi
2023-06
Basım Yeri
-
IEEE
Konu
5G, Hesaplamalı görev aktarımı, Derin öğrenme, Edge bilişim, Görüntü gürültü giderme, Akıllı iletişim, Gürültü giderici Net, Nesne algılama, Nesne segmentasyonu
Tür
Süreli Yayın
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
0018-9545
Kayıt Numarası
d42d9220-a6b3-4c8c-a1da-09b1f2a9c43e
Lokasyon
Bilgisayar Bilimi
Tarih
2023-06
Örnek Metin
Hesaplama açısından ağır görevlerin insansız hava aracından (İHA) uzak bir sunucuya aktarılması, pil ömrünün artırılmasına yardımcı olur ve kaynak gereksinimlerinin azaltılmasına yardımcı olabilir. Nesne bölümlendirme ve algılama gibi derin öğrenme tabanlı son teknoloji ürünü bilgisayarlı görme görevleri, hesaplama açısından ağır algoritmalardır ve büyük bellek ve bilgi işlem gücü gerektirir. Birçok İHA, bu tür algoritmaların (önceden eğitilmiş) kullanıma hazır versiyonlarını kullanıyor. Bu tür güce aç algoritmaların uzak bir sunucuya aktarılması, İHA'ların önemli ölçüde güç tasarrufu yapmasına yardımcı olabilir. Ancak derin öğrenmeye dayalı algoritmalar gürültüye duyarlıdır ve kablosuz iletişim sistemi doğası gereği orijinal sinyale gürültü katar. Sinyal bir görüntüyü temsil ettiğinde gürültü görüntüyü etkiler. İletişim sisteminin getirdiği gürültünün önceden eğitilmiş derin ağlar üzerindeki etkisini inceleyen çok fazla çalışma yapılmamıştır. Bu çalışmada, öncelikle 5G kablosuz iletişim sisteminin çeşitli parametrelerinin iletilen görüntü üzerindeki etkisine odaklanarak derin öğrenme tabanlı bilgisayarlı görme görevlerini (hem nesne bölümleme hem de algılama dahil) boşaltmanın ne kadar güvenilir olduğunu analiz ediyoruz ve kullanılan 5G sisteminin ortaya çıkan gürültüsünün, yüklenen derin öğrenme görevinin performansını nasıl azalttığını gösteriyoruz. Daha sonra gürültünün olumsuz etkisini ortadan kaldıracak (veya azaltacak) çözümler sunulur. Önerilen çerçeve, birçok klasik tekniğin alternatif çözümler olarak tanıtılmasıyla başlar ve ardından verilen gürültülü giriş görüntüsünün gürültüsünü gidermek için yeni bir derin öğrenme tabanlı çözüm sunar. Çeşitli gürültü giderme algoritmalarının hem nesne bölütleme hem de nesne algılama görevlerinin yükünün boşaltılmasındaki performansı karşılaştırılmıştır. Önerilen derin transformatör tabanlı gürültü giderici algoritmamız (NR-Net), deneylerimizde en son teknolojiye sahip sonuçlar verir.
DOI
10.1109/TVT.2023.3243529
Cilt
72
