Browsing by Author "Altun, Mustafa"

Now showing 1 - 2 of 2

Çok Düşük Enerji Tüketen Taşınabilir Kullanıma Uygun Yapay Sinir Ağlarının Donanım Gerçeklemeleri
(2023) Kumbasar, Tufan; Altun, Mustafa; Ayhan, Tuba
Yapay sinir ağları (artificial neural networks, ANN) ile ilgili literatürde yer alan araştırmalar ve bunların endüstriyel uygulamaları son yıllarda hızlı bir şekilde artmaktadır. Buradaki temel motivasyon, geleneksel yöntemler ile yüksek doğruluklu olarak çözülmesi zor problemlerin ANN?ler ile çözülebilmesidir. Diğer taraftan, ANN?lerin kullanımı geleneksel yöntemlere göre, başta enerji olmak üzere, çok daha fazla donanımsal kaynak gerektirmektedir. Örnek vermek gerekirse, 16×16 boyutunda 256 adet piksel içeren oldukça küçük bir görüntünün her bir pikselinin ve ANN ağırlıklarının 8-bitlik girişler ile temsil edildiğini varsayalım. Bu durumda, tek bir yapay nöron, 256 adet 8-bitlik çarpma işlemi, bu çarpım sonuçlarının toplanması için minimum 16-bitlik 255 adet toplama işlemi ve bu toplam sonucunun normalize edilmesi için bir aktivasyon fonksiyonu gerektirir. Görece küçük büyüklükteki bir ANN?de bu nöronlardan yüzlerce olduğu düşünülürse, bu kadar ağırlığın bellekte tutulmasının ve yapılacak aritmetik işlemlerin, özellikle enerji tüketimi açısından, oldukça maliyetli olacağı açıktır. Bu durum ANN?lerin taşınabilir cihazlarda kullanılabilmelerini fazlasıyla kısıtlamaktadır ve bu çalışmanın temel motivasyonlarından biridir. Önerilen çalışmada, çok düşük enerji tüketen ANN?ler önerilen yeni sayı hibrit gösterimi kullanılarak tasarlanmıştır, donanım optimizasyonları yapılmıştır ve nesne takibi uygulamalarında kullanılmıştır. Yapılan çalışmalar aşağıdaki üç ana başlıkta değerlendirilebilir. Bu üç ana başlık çalışmanın desteklediği 119E507 Nolu TÜBİTAK projesinde üç iş paketi olarak yer almaktadır. ? ANN enerji tasarrufu için yeni sayı gösterimlerinin sunulması ve devre bloklarının tasarımının yapılması. ? Enerji odaklı ANN donanım tasarımları ve optimizasyonunun yapılması. ? Nesne takibi yapan ANN tasarımlarının özel tümleşik devreler (application specific integration circuits, ASIC) ve alanda programlanabilir kapı dizileri (field programmable gate arrays, FPGA) tasarım platformlarında gerçeklenmesi.
Fast and Accurate Multi-Neural Network Ensemble Model
(IEEE, 2025) Nakci, Veli; Altun, Mustafa
In image classification, having a high accuracy is a significant metric for a model. Therefore, some certain methods such as ensemble technique etc. are commonly used for this objective. However, while trying to achieve high accuracy, other important metrics such as training time must also be considered. Transfer learning method is widely applied in image classification to reduce training time and enhance model efficiency. Even though transfer learning with models such as AlexNet, VGG16, and DenseNet121 is applied on some image datasets, it requires a great amount of training time to achieve high accuracy. In this study, we propose a model that utilizes weighted voting ensemble technique with an auxiliary network. We evaluate our model and pre-trained models - Alexnet, VGG1, and DenseNet121 - on CIFAR-10 dataset. The results show that the proposed model outperforms pre-trained models in terms of achieving high accuracies and requiring less training time. To achieve 80% accuracy, our model requires 15,38%, 10%, and 87.78% of the training time used by Alexnet, VGG16 and DenseNet121, respectively. While the proposed model achieves 85% and 90% accuracy, AlexNet and VGG16 cannot. In addition, it achieves 90% accuracy in 38.23 min, whereas DenseNet121 - more efficient than the other two pre-trained models - only reaches 87% accuracy in over three hours.