Paikallisten binäärikuvioiden inspiroima tehokas syvä konvoluutioneuroverkko visuaalisten piirteiden oppimiseen

Viime vuosikymmenien aikana syväoppivat neuroverkot (DNN) ovat mullistaneet tietokonenäön huipputuloksillaan monissa tehtävissä. Viimeaikainen kehitys on keskittynyt pääasiassa tarkkuuteen, mikä on johtanut suurten ja monimutkaisten mallien kehittämiseen. Kuitenkin mobiililaitteiden ja sulautettujen järjestelmien yleistyessä tarve tehokkaille tietokonenäön malleille on kasvanut. Piirre-esitystavan laatu on keskeinen tekijä tietokonenäössä ja vaikuttaa suoraan mallin suorituskykyyn. Tämä väitöskirja käsittelee haastetta parantamalla perinteisiä paikallisia binäärikuvioita (LBP) diskriminoivampien piirteiden saamiseksi sekä luomalla kompakteja DNN-moduuleja, jotka vaativat pienempää laskentatehoa ja mallin kokoa. Tässä väitöskirjassa tutkitaan molempia lähestymistapoja erikseen ja yhdistetysti vastataksemme modernien tietokonenäön mallien tehokkuusvaatimuksiin.