Početak projekta: 1.10.2025.

Standardni pristup klasifikaciji slikovnih podataka su duboke konvolucijske neuronske mreže (CNN) koje zahtijevaju prilikom treniranja visoku računalnu snagu i koriste GPU akceleraciju. No, GPU-i su skupi, energetski zahtjevni i nepraktični za primjenu u energetski ograničenim sustavima poput IoT uređaja, industrijskih senzora i medicinske dijagnostike. Cilj ovog projekta je razviti alternativnu metodu klasifikacije slika temeljenu na genetskom programiranju (GP), koja će omogućiti visoku točnost klasifikacije uz značajno smanjenu računalnu potrošnju.

Prvi korak je razvoj matematičkog modela za izdvajanje značajki iz slika, koji će omogućiti jasnu separaciju klasa bez potrebe za konvolucijskim slojevima. Ovaj korak uključuje transformacije poput dekompozicije matrica (SVD, PCA), optimizacijskih algoritama i evolucijskih tehnika za automatsku identifikaciju relevantnih značajki. Nakon toga, koristit će se klasično genetsko programiranje (GP) za izgradnju simboličkih modela koji će služiti kao klasifikatori.

Predloženi sustav dizajniran je za rad na CPU arhitekturama, čime se omogućava primjena u energetski učinkovitijim sustavima. Dodatno, metoda će biti optimizirana, čime se otvara mogućnost primjene u realnim scenarijima gdje su resursi ograničeni.

Očekivani ishod projekta je inovativna metoda klasifikacije slika koja će biti konkurentna CNN modelima, ali s manjom potrošnjom energije i jednostavnijom primjenom u širokom spektru industrijskih i znanstvenih domena. Ovim projektom želimo ponuditi revolucionarnu alternativu GPU-u, smanjujući troškove i energetsku potrošnju računalnog vida.