กลยุทธ์การตัดบนโยโลวีสามสำหรับการตรวจจับวัตถุแบบทันกาล

ณัฐนนท์ กฤตยานวัช

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/72879

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	พีรพล เวทีกูล	-
dc.contributor.author	ณัฐนนท์ กฤตยานวัช	-
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์	-
dc.date.accessioned	2021-03-18T10:03:36Z	-
dc.date.available	2021-03-18T10:03:36Z	-
dc.date.issued	2562	-
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/72879	-
dc.description	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2562	en_US
dc.description.abstract	ในงานตรวจจับวัตถุ แบบจำลอง YOLOv3 จัดว่าเป็นแบบจำลองที่มีประสิทธิภาพดีในด้านความแม่นยำ แต่ทว่าด้วยจำนวนตัวแปรในแบบจำลองที่มีมากกว่าสิบล้านตัวแปร ส่งผลให้ตัวแบบจำลองไม่เหมาะสมที่จะนำไปใช้งานบนกล้องหรืออุปกรณ์ขนาดเล็ก โดยงานวิจัยชิ้นนี้นำเสนอกลไกการบีบอัดแบบจำลองที่ออกแบบมาโดยเฉพาะสำหรับแบบจำลอง YOLOv3 เพื่อตัดตัวกรองที่ไม่จำเป็นออกจากตัวแบบจำลอง แต่เนื่องจากแบบจำลอง YOLOv3 นั้นประกอบไปด้วยองค์ประกอบ 2 ส่วน คือ โครงข่ายกระดูกสันหลัง และโครงข่ายพีระมิดฟีเจอร์ งานวิจัยชิ้นนี้จึงนำเสนอกลยุทธ์ 3 อย่างดังต่อไปนี้ 1) การตัดแบบแยกส่วน 2) การจำกัดการตัด และ 3) เกณฑ์การหยุด หลังจากนั้นจึงนำกลยุทธ์ทั้ง 3 อย่างมารวมกันเป็นกลไกการตัดแบบทนทานเพื่อตัดแบบจำลองแบบแยกส่วนกัน ด้วยวิธีการนี้ สามารถช่วยป้องกันการตัดส่วนใดส่วนหนึ่งของแบบจำลองมากเกินไป ส่งผลให้แบบจำลองมีเสถียรภาพมากขึ้น	en_US
dc.description.abstractalternative	For object detection, YOLOv3 has shown promising accuracy. Since the number of parameters in this network can be more than ten million parameters, it cannot be fit into a commodity camera or small devices. In this research, we propose a compression mechanism designed specifically for YOLOv3’s network by removing unnecessary filters. Since YOLOv3 composes of two network components: backbone and pyramid networks, we propose the following techniques, (1) separated pruning, (2) minimum filter constraint, and (3) stopping criteria. Then, we combined these three mechanisms as a robust pruning mechanism to prune filters of each network separately. This can help to avoid over-pruning the network in some parts of the model making our model more robust	en_US
dc.language.iso	th	en_US
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย	en_US
dc.relation.uri	http://doi.org/10.58837/CHULA.THE.2019.1133	-
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย	en_US
dc.subject	การประมวลผลภาพ -- เทคนิคดิจิทัล	-
dc.subject	การเรียนรู้ของเครื่อง	-
dc.subject	แบบจำลองทางคอมพิวเตอร์	-
dc.subject	Image processing -- Digital techniques	-
dc.subject	Machine learning	-
dc.subject	Computer simulation	-
dc.title	กลยุทธ์การตัดบนโยโลวีสามสำหรับการตรวจจับวัตถุแบบทันกาล	en_US
dc.title.alternative	Pruning strategy on YOLOv3 for real-time object detection	en_US
dc.type	Thesis	en_US
dc.degree.name	วิทยาศาสตรมหาบัณฑิต	en_US
dc.degree.level	ปริญญาโท	en_US
dc.degree.discipline	วิทยาศาสตร์คอมพิวเตอร์	en_US
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย	en_US
dc.identifier.DOI	10.58837/CHULA.THE.2019.1133	-
Appears in Collections:	Eng - Theses

Files in This Item:

File	Description	Size	Format
6071010621.pdf	วิทยานิพนธ์ฉบับเต็ม	2.36 MB	Adobe PDF	View/Open

Show simple item record