發(fā)布時(shí)間：2021-10-08 14:50

　　近年來(lái),基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的方法在圖像檢測(cè)和識(shí)別領(lǐng)域取得了巨大的成功。隨著交通采集技術(shù)的日益發(fā)展,采集設(shè)備每時(shí)每刻都會(huì)產(chǎn)生海量的交通圖片數(shù)據(jù)。如何從這些海量的圖片數(shù)據(jù)中提取出有價(jià)值的信息,實(shí)現(xiàn)數(shù)據(jù)的“增值”并以此來(lái)改善交通情況,提高交通管理水平,已成為交通領(lǐng)域亟待解決的一個(gè)難題�，F(xiàn)有的圖像識(shí)別方法通常先定位目標(biāo)所在區(qū)域,分割有效信息,然后識(shí)別它們。在被識(shí)別的交通圖像中,許多圖像都具有一定的上下文感知信息,它們位置通常是固定的,且不需要重復(fù)識(shí)別相同的分割信息,例如車牌號(hào)的識(shí)別等。由于基于CNN的方法是計(jì)算密集型和資源消耗型的,很難在嵌入式系統(tǒng)中部署,如智能交通系統(tǒng)、自動(dòng)駕駛汽車和智能城市等應(yīng)用。且對(duì)于加速神經(jīng)網(wǎng)絡(luò)計(jì)算,以往的研究只關(guān)注卷積層的加速,而忽略了網(wǎng)絡(luò)中的其他計(jì)算。因此,現(xiàn)有的方法只能加速卷積計(jì)算,但不能加速整個(gè)網(wǎng)絡(luò)。同時(shí)在交通數(shù)據(jù)的存儲(chǔ)分配過(guò)程中,由于傳統(tǒng)策略沒有考慮到數(shù)據(jù)的熱冷問(wèn)題,使得數(shù)據(jù)沒有得到合理地分配,從而導(dǎo)致數(shù)據(jù)的讀寫效率低,進(jìn)而影響整個(gè)交通系統(tǒng)的性能。針對(duì)以上問(wèn)題,本文對(duì)比目前最先進(jìn)的目標(biāo)檢測(cè)模型,并結(jié)合深度學(xué)習(xí)的異構(gòu)加速技術(shù),從優(yōu)化目標(biāo)檢測(cè)流程和加速計(jì)算... 

【文章來(lái)源】：北方工業(yè)大學(xué)北京市

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積計(jì)算步驟拆解

第二章相關(guān)工作9圖2-2最大池化計(jì)算示意圖圖2-2所示，左上角2x2的輸入矩陣中最大值為1.8，則輸出矩陣中的數(shù)值為1.8。重復(fù)上述操作可得輸入feature map中的MaxP輸出。2.1.3激活層常用的激活函數(shù)有Sigmoid、ReLU、Leaky_ReLU等等，Sigmoid常用于全連接層，ReLU、Leaky_ReLU常用于卷積層。激活函數(shù)將上層網(wǎng)絡(luò)的結(jié)果輸出作為輸入，對(duì)其做非線性變換從而得到本層的輸出結(jié)果。在目前最先進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)中，普遍使用的激活函數(shù)是ReLU(TheRectifiedLinearUnit)。ReLU激活函數(shù)收斂快，梯度求解簡(jiǎn)單。ReLU激活函數(shù)的計(jì)算公式為!"#$()=（0,）。當(dāng)x的值小于等于0時(shí)，其值將歸于0。對(duì)于卷積計(jì)算，增加了許多無(wú)用的0值計(jì)算，因此對(duì)于ReLU激活函數(shù)，有效輸入是正數(shù)。而對(duì)于Leaky_ReLU其計(jì)算公式為%"&"(_!"#$()=(0,)+ (0,)。保留大于或等于0的值，小于0的值乘以一個(gè)極小的非負(fù)值β以保留負(fù)軸信息，因此對(duì)于Leaky_ReLU輸入即為有效數(shù)據(jù)。圖2-3激活函數(shù)示意圖圖2-3所示，右邊綠色部分為ReLU激活的有效輸出，橙色為無(wú)效神經(jīng)元。左側(cè)為L(zhǎng)eaky_ReLU的輸出結(jié)果，均為有效神經(jīng)元。

第二章相關(guān)工作9圖2-2最大池化計(jì)算示意圖圖2-2所示，左上角2x2的輸入矩陣中最大值為1.8，則輸出矩陣中的數(shù)值為1.8。重復(fù)上述操作可得輸入feature map中的MaxP輸出。2.1.3激活層常用的激活函數(shù)有Sigmoid、ReLU、Leaky_ReLU等等，Sigmoid常用于全連接層，ReLU、Leaky_ReLU常用于卷積層。激活函數(shù)將上層網(wǎng)絡(luò)的結(jié)果輸出作為輸入，對(duì)其做非線性變換從而得到本層的輸出結(jié)果。在目前最先進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)中，普遍使用的激活函數(shù)是ReLU(TheRectifiedLinearUnit)。ReLU激活函數(shù)收斂快，梯度求解簡(jiǎn)單。ReLU激活函數(shù)的計(jì)算公式為!"#$()=（0,）。當(dāng)x的值小于等于0時(shí)，其值將歸于0。對(duì)于卷積計(jì)算，增加了許多無(wú)用的0值計(jì)算，因此對(duì)于ReLU激活函數(shù)，有效輸入是正數(shù)。而對(duì)于Leaky_ReLU其計(jì)算公式為%"&"(_!"#$()=(0,)+ (0,)。保留大于或等于0的值，小于0的值乘以一個(gè)極小的非負(fù)值β以保留負(fù)軸信息，因此對(duì)于Leaky_ReLU輸入即為有效數(shù)據(jù)。圖2-3激活函數(shù)示意圖圖2-3所示，右邊綠色部分為ReLU激活的有效輸出，橙色為無(wú)效神經(jīng)元。左側(cè)為L(zhǎng)eaky_ReLU的輸出結(jié)果，均為有效神經(jīng)元。

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)加速運(yùn)算單元設(shè)計(jì)[J]. 江凱,劉志哲,修于杰,田映輝,趙晨旭,呂笑松.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(12)
[2]基于FPGA的卷積神經(jīng)網(wǎng)絡(luò)硬件加速器設(shè)計(jì)[J]. 秦華標(biāo),曹欽平.  電子與信息學(xué)報(bào). 2019(11)
[3]結(jié)合運(yùn)動(dòng)目標(biāo)檢測(cè)和ResNet的車速車型智能識(shí)別[J]. 梁棟,何佳,石陸魁,王松,劉佳.  北京交通大學(xué)學(xué)報(bào). 2019(05)
[4]深度神經(jīng)網(wǎng)絡(luò)壓縮綜述[J]. 李青華,李翠平,張靜,陳紅,王紹卿.  計(jì)算機(jī)科學(xué). 2019(09)
[5]基于Hadoop的圖像存儲(chǔ)和檢索的研究與實(shí)現(xiàn)[J]. 徐振濤,林清瀅.  現(xiàn)代計(jì)算機(jī). 2019(26)
[6]一種移動(dòng)卷積神經(jīng)網(wǎng)絡(luò)的FPGA實(shí)現(xiàn)[J]. 李炳辰,黃魯.  微電子學(xué)與計(jì)算機(jī). 2019(09)
[7]HDFS存儲(chǔ)和優(yōu)化技術(shù)研究綜述[J]. 金國(guó)棟,卞昊穹,陳躍國(guó),杜小勇.  軟件學(xué)報(bào). 2020(01)
[8]基于HDFS的分布式文件系統(tǒng)[J]. 劉軍,冷芳玲,李世奇,鮑玉斌.  東北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(06)
[9]基于負(fù)載預(yù)測(cè)的HDFS動(dòng)態(tài)負(fù)載均衡改進(jìn)算法[J]. 邵必林,王莎莎.  探測(cè)與控制學(xué)報(bào). 2019(02)
[10]面向卷積神經(jīng)網(wǎng)絡(luò)的FPGA設(shè)計(jì)[J]. 盧麗強(qiáng),鄭思澤,肖傾城,陳德銘,梁云.  中國(guó)科學(xué):信息科學(xué). 2019(03)

碩士論文
[1]異構(gòu)大數(shù)據(jù)存儲(chǔ)方法研究[D]. 單旭.北京交通大學(xué) 2014
[2]Hadoop云存儲(chǔ)策略的研究與優(yōu)化[D]. 朱巖.廣東工業(yè)大學(xué) 2013
[3]基于Hadoop的云存儲(chǔ)平臺(tái)的研究與實(shí)現(xiàn)[D]. 張興.電子科技大學(xué) 2013
[4]基于HDFS的存儲(chǔ)技術(shù)的研究[D]. 王永洲.南京郵電大學(xué) 2013
[5]基于HDFS的分布式存儲(chǔ)研究與應(yīng)用[D]. 童明.華中科技大學(xué) 2012



本文編號(hào)：3424382