Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: Seda GÜZEL AYDIN
Danışman: Hasan Şakir Bilge
Özet:
Bu tez çalışmasında Ultrason-Ultrason (US-US) görüntü çiftleri arasındaki katı dönüşüm parametrelerinin tahmini için eğitilen Evrişimsel Sinir Ağının (ESA) çıkarım aşaması alanda programlanabilir kapı dizileri (FPGA) donanımı üzerinde gerçeklenmiştir. Çalışma iki aşamalı olarak gerçekleştirilmiştir. Birinci aşamada US-US B-mod görüntü çiftleri arasındaki katı dönüşüm parametrelerinin tahminini yapan ağın eğitimi yazılım tabanlı gerçekleştirilmiştir. Farklı hiper parametreler denenerek eğitimi tamamlanan ağın ağırlık parametreleri kaydedilmiştir. İkinci aşamada ESA modelini oluşturan evrişim, havuzlama, aktivasyon ve tam bağlantılı katmanlar teker teker donanım tabanlı tasarlanmıştır. Daha sonra yazılım tabanlı uygulamada kullanılan hiper parametre ve parametreler kullanılarak aynı model FPGA üzerinde çıkarım aşaması için katmanların birleştirilmesi ile gerçeklenmiştir. FPGA üzerinde tek duyarlıklı kayan noktalı sayı ve 32-, 28-, 20-, 18- ve 16-bit uzunluklarına sahip sabit noktalı sayı gösterim yöntemleri kullanılarak donanım kaynak kullanımı, hız ve hassasiyet parametreleri incelenmiştir. Hassasiyet parametresi yazılım tabanlı uygulamadan elde edilen değerlerin, donanım tabanlı elde edilen değerlerle ortalama kare hatası (Mean squared error, MSE), ortalama mutlak hata (mean absolute error, MAE), R-kare ve kök ortalama kare hatası (root mean squared error, RMSE) metriklerine göre değerlendirilmiştir. Bu değerlendirmeler sonunda en iyi hassasiyet, kaynak kullanımı ve hız dengesini sağlayan 20-bit sabit noktalı sayı gösterim yönteminin kullanılmasına karar verilmiştir. Katmanları ayrı ayrı tasarlanan ESA modelinde katmanlar arası ve katmanlar içi işlemlerin eş zamanlı yürütülmesi için eniyileme yöntemleri kullanılmıştır. Katmanlar arası işlemlerin kısmi eşzamanlı yapılabilmesi için veri akışı paralelliği, katman içlerinde ise döngü açma, döngü boru hattı ve dizi bölme eniyileme teknikleri kullanılmıştır. Uygulanan eniyileme tekniklerinden sonra FPGA tabanlı hızlandırılmış US-US B-mod görüntü çakıştırma parametrelerini tahmin eden ESA ağının (FUIR-CNN) ihmal edilebilecek bir miktarda hassasiyet kaybıyla beraber, yazılım tabanlı uygulamadan yaklaşık 139 kat daha hızlı sonuç ürettiği aynı zamanda da daha az güç tüketerek daha üstün bir performans sergilediği gösterilmiştir.
Anahtar Kelimeler : Gömülü sistemler, derin öğrenme, ultrason, evrişimsel sinir ağları