Ontwerpen van Hoog-Performante Netwerken voor Meer-Schalige Computervisie

Sinds de opkomst van diep leren is het computervisie veld aanzienlijk gegroeid met modellen die verbeteren aan een verschroeiende snelheid op steeds complexere taken. We onderscheiden volgende drie voornaamste manieren om een computervisie model te verbeteren: (1) het verbeteren van het data gedeelte door bijvoorbeeld te trainen op een grote, meer diverse dataset, (2) het verbeteren van het training gedeelte door bijvoorbeeld een betere optimalisator te ontwerpen en (3) het verbeteren van de netwerk architectuur (of netwerk in het kort).

In dit doctoraat kiezen we ervoor om dit laatste te verbeteren, d.w.z. het verbeteren van netwerk ontwerpen voor computervisie modellen. Meer bepaald onderzoeken we nieuwe netwerk ontwerpen voor meer-schalige computervisie taken, hetgeen taken zijn die voorspellingen moeten maken voor concepten van verschillende schalen. Het doel van deze nieuwe netwerk ontwerpen is om bestaande referentie ontwerpen uit de literatuur te overtreffen. Hierbij zorgen we ervoor dat de gemaakte vergelijkingen eerlijk zijn door te garanderen dat de verschillende netwerk ontwerpen getraind en geëvalueerd zijn met dezelfde instellingen. Verschillende methodes en technieken worden naar voren gebracht die de beoogde doelstellingen bereiken.