content(Story): create 2024-09-11-news-congratulations-dr-sumeyye-agac/index (#65)

Author: doganulus

assets/uploads/sumeyye-agac-doktora.png

@@ -0,0 +1,13 @@
+---
+type: news
+title: Congratulations Dr. Sümeyye Ağaç!
+description: Sümeyye Ağaç has successfully defended her PhD thesis
+featured: true
+date: 2024-08-27
+thumbnail: uploads/sumeyye-agac-doktora.png
+---
+## Enhancing Lightweight Models for Efficient Sensor-based Human Activity Recognition
+
+## Abstract
+
+This thesis presents a comprehensive study on enhancing the performance of lightweight models for efficient sensor-based Human Activity Recognition (HAR) on resource-constrained devices, particularly in memory-constrained environments such as wearables with microcontrollers. By integrating convolutional block attention modules into the lightweight versions of the DeepConvLSTM model, originally proposed for sensor-based HAR, and the highly efficient SqueezeNet architecture, the study aims to boost recognition accuracy without increasing computational demands. The thesis examines the impact of channel and spatial attention mechanisms across various model sizes. Results demonstrate that attention-enhanced lightweight models can achieve performance levels comparable to larger, more resource-intensive models while maintaining minimal resource usage. Subsequently, combinations of knowledge distillation and attention mechanisms were applied to further improve model efficiency. It was found that attention-based distillation could significantly enhance the accuracy of lightweight models even in the absence of attention modules in the teacher model. The effectiveness of the developed models was then compared with model compression techniques such as quantization and pruning. Furthermore, this thesis provides the most comprehensive study to date on sensor-based HAR in resource-constrained environments, offering insights and strategies for the practical application of efficient and high-performance sensor-based HAR systems, thereby addressing a significant gap in the field.

content/news/2024-09-11-news-congratulations-dr-sumeyye-agac/index.en.md

@@ -0,0 +1,13 @@
+---
+type: news
+title: Tebrikler Dr. Sümeyye Ağaç!
+description: Sümeyye Ağaç doktora tezini başarıyla savundu
+featured: true
+date: 2024-08-27
+thumbnail: uploads/sumeyye-agac-doktora.png
+---
+## Verimli Sensör Tabanlı İnsan Aktivitesi Tanıma için Hafif Modellerin İyileştirilmesi
+
+## Özet
+
+Bu tez, özellikle mikrodenetleyicilere sahip giyilebilir cihazlar gibi bellek ve diğer kaynakların sınırlı olduğu ortamlarda, sensör tabanlı İnsan Aktivitesi Tanıma (İAT) için verimli ve hafif modeller geliştirmeye yönelik kapsamlı bir çalışma sunmaktadır. Sensör tabanlı İAT için önerilmiş olan DeepConvLSTM modelinin ve yüksek verimli SqueezeNet mimarisinin hafif versiyonlarına konvolüsyonel blok dikkat modülleri entegre edilerek, hesaplama gereksinimleri artırılmadan tanıma doğruluğunu artırma hedeflenmektedir. Çalışma, kanal ve mekansal dikkat mekanizmalarının farklı model büyüklüklerindeki etkilerini incelemektedir. Sonuçlar, dikkat mekanizmalı hafif modellerin, daha büyük ve daha fazla kaynak gerektiren modellerle karşılaştırılabilir performans seviyelerine minimum kaynak kullanımıyla ulaşabileceğini göstermektedir. Sonrasında, modelin verimliliğini daha da artırmak amacıyla bilgi damıtma ve dikkat mekanizmalarının çeşitli birleşimleri uygulanmıştır. Dikkat tabanlı damıtmanın, öğretici modelin dikkat modüllerinden yoksun olması durumunda bile hafif modellerin doğruluğunu önemli ölçüde artırabileceği ortaya konmaktadır. Daha sonra, geliştirilmiş modellerin etkinliği, sayısallaştırma ve budama gibi model sıkıştırma teknikleriyle karşılaştırılmıştır. Ayrıca, bu tez, kaynak sınırlı ortamlarda sensör tabanlı İAT konusunda bugüne kadar yapılmış en kapsamlı çalışmayı sunarak, verimli ve yüksek performanslı sensör tabanlı İAT sistemlerinin pratik uygulaması için içgörüler ve stratejiler sunarak alandaki önemli bir boşluğu doldurmaktadır.