隨著神經(jīng)網(wǎng)絡(luò)的快速發(fā)展,深度學(xué)習(xí)算法在眾多場(chǎng)景中實(shí)現(xiàn)了應(yīng)用。同時(shí),作為未來生活的新形態(tài),物聯(lián)網(wǎng)的使用率正迅速增長,在物聯(lián)網(wǎng)設(shè)備中實(shí)現(xiàn)深度學(xué)習(xí)算法成為一種新的應(yīng)用場(chǎng)景,具有重要的價(jià)值及意義。為了解決深度學(xué)習(xí)算法在物聯(lián)網(wǎng)設(shè)備中應(yīng)用所受到的計(jì)算資源、存儲(chǔ)資源以及隱私性的約束,目前已提出了針對(duì)深度學(xué)習(xí)算法特性的加速器。人臉識(shí)別技術(shù)是深度學(xué)習(xí)領(lǐng)域發(fā)展最成熟、應(yīng)用最廣泛的技術(shù)之一。近年來人臉識(shí)別技術(shù)準(zhǔn)確率不斷提升,但較高的參數(shù)量給資源有限的物聯(lián)網(wǎng)設(shè)備帶來了巨大挑戰(zhàn)。為了解決物聯(lián)網(wǎng)設(shè)備中應(yīng)用人臉識(shí)別技術(shù)的難點(diǎn),本文提出了在專用加速器上快速且低功耗地實(shí)現(xiàn)人臉識(shí)別的技術(shù)方案,研究內(nèi)容主要分為三個(gè)方面。1.設(shè)計(jì)輕量級(jí)人臉識(shí)別算法。本文針對(duì)人臉檢測(cè)和特征識(shí)別分別選擇了基于MTCNN的人臉檢測(cè)算法和基于MobileNet的特征識(shí)別算法。同時(shí)本文對(duì)于模型進(jìn)行了進(jìn)一步壓縮優(yōu)化,實(shí)現(xiàn)硬件端的增速降耗。2.實(shí)現(xiàn)輕量級(jí)人臉識(shí)別算法在硬件中的映射。本文基于一款某實(shí)驗(yàn)室自主研發(fā)的面向物聯(lián)網(wǎng)應(yīng)用的通用加速器,設(shè)計(jì)了專用的編譯器,實(shí)現(xiàn)輕量級(jí)人臉識(shí)別算法在該通用加速器上的映射。3.面向輕量級(jí)人臉識(shí)別算法的硬件實(shí)現(xiàn)與優(yōu)化�？紤]硬件...

【文章頁數(shù)】：101 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１論文研宄框架??Ｆｉｇｕｒｅ?１．１?Ｒｅｓｅａｒｃｈ?Ｆｒａｍｅｗｏｒｋ??

?第１章緒論???第五章對(duì)本文的主要研究工作進(jìn)行了總結(jié)，并對(duì)未來感興趣的研宄領(lǐng)域和研??究內(nèi)容進(jìn)行了展望。??第一章??緒論??Ｉ?ＩＩＩ?；??第二章?第三章??輕量級(jí)人臉識(shí)別算法方案與性能優(yōu)化?輕量級(jí)人臉識(shí)別算法￥ＮＰＵ上的實(shí)現(xiàn)與優(yōu)化?????：?｜??輕量級(jí)人臉檢測(cè)算法的原....

圖２．?１?ＭＴＣＮＮ整體架構(gòu)丨２４丨??Ｆｉｇｕｒｅ?２．１?ＭＴＣＮＮ?Ａｒｃｈｉｔｅｃｔｕｒｅ??

?面向?qū)Ｓ萌斯ぶ悄苄酒膶?shí)時(shí)人臉識(shí)別技術(shù)???縮放尺度ｒｅｓｉｚｅ到一起，堆疊成金字塔的形狀，作為ＰＮｅｔ的輸入。其中ＰＮｅｔ、??ＲＮｅｔ、ＯＮｅｔ的目的本質(zhì)上一致的，都是通過ＮＭＳ來篩選人臉檢測(cè)的候選框，只??是網(wǎng)絡(luò)運(yùn)算的順序不同，先計(jì)算ＰＮｅｔ，再計(jì)算ＲＮｅｔ，最后計(jì)算ＯＮ....

圖２．?２?ＰＮｅｔ網(wǎng)絡(luò)架構(gòu)�。玻簇�??

ｉｏｎ?Ｉ??■?Ｉ?ｊ?ｌｘｌ?ｘ２?Ｉ??％?ｂｏｕｎｄｉｎｇ?ｂｏｘ??ｒｅｇｒｅｓｓｉｏｎ??１ｘ１ｘ４??Ｉ?ｉｎｐｕｔ?ｓｉｚｅ?５Ｘ５Ｘｉ〇?３ｘ３ｘ１６?１ｘ１ｘ３２１?Ａ?Ｆａｃｉａｌ?ｌａｎｄｍａｒｋ?｜??Ｉ?１２ｘ１２ｘ３?＿?ｌｏｃａｌｉｚａｔｉｏｎ?ｉ....

圖２．?３?ＲＮｅｔ網(wǎng)絡(luò)架構(gòu)丨２４丨??

＿Ｒ－Ｎｅｔ??Ｃｏｎｖ：?３ｘ３?Ｃｏｎｖ：３ｘ３?Ｃ〇ｎｖ：２ｘ２?ｆｕｌｌｙ?ｒ?，?．?Ｉ??ＭＰ：?３ｘ３?ＭＰ：?３ｘ３?ｃｏｎｎｅｃｔ＾－?ｆａｃｅ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?＇??Ｉ?Ｉ?１?＾?．?［ｉａ?＇?ｂｏｕｎｄｉｎｇ?ｂｏｘ?，??Ｕ?＾?ｒｅｇｒ....

本文編號(hào)：3893013