物體認知是指以嵌入式計算機為核心,利用傳感器采集物體圖像、形態(tài)、聲音、氣味等信息對物體進行識別的一種技術(shù)。傳統(tǒng)的物體認知系統(tǒng)基于射頻識別等傳感技術(shù),可快速進行物品追蹤和數(shù)據(jù)交換,然而射頻識別技術(shù)依賴于物品上的電子標(biāo)簽,有較高成本且有距離限制。隨著硬件設(shè)備的升級以及網(wǎng)絡(luò)技術(shù)的發(fā)展,圖像逐漸成為了物聯(lián)網(wǎng)大數(shù)據(jù)的組成部分。與此同時,針對圖像數(shù)據(jù)的計算機視覺算法也得到了長足的發(fā)展。與純粹的計算機視覺算法相比,物體認知系統(tǒng)更接近硬件設(shè)備與用戶,與數(shù)據(jù)采集、傳輸以及交互過程結(jié)合的更加緊密。本文基于現(xiàn)有圖像識別技術(shù),從運算分布、數(shù)據(jù)傳輸、可增量學(xué)習(xí)等角度入手,研究了利用物聯(lián)網(wǎng)設(shè)備采集到的圖像進行物體認知所需的關(guān)鍵技術(shù)。本文的主要工作如下:(1)針對物體認知系統(tǒng)的圖像處理能力,提出了適用于物聯(lián)網(wǎng)環(huán)境的增量圖像識別框架。本框架將特征提取、訓(xùn)練、推理的過程切分開來,使系統(tǒng)具有快速持續(xù)學(xué)習(xí)的能力,并使得設(shè)備的計算能力可以得到更好的使用。(2)針對物體認知系統(tǒng)的運算分配問題,提出了多層神經(jīng)網(wǎng)絡(luò)推理過程在多層物聯(lián)網(wǎng)架構(gòu)下的切分算法。與傳統(tǒng)物體認知技術(shù)不同,在數(shù)據(jù)采集端完成圖像識別的所有操作代價過于高昂。而物聯(lián)網(wǎng)...

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 研究背景
        1.1.1 物體認知系統(tǒng)概述
        1.1.2 研究目的和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 智能物聯(lián)網(wǎng)系統(tǒng)架構(gòu)有關(guān)研究
        1.2.2 圖像識別算法有關(guān)研究
    1.3 物體認知系統(tǒng)針對的問題
    1.4 研究內(nèi)容
    1.5 論文結(jié)構(gòu)
第二章 物體認知系統(tǒng)相關(guān)技術(shù)
    2.1 相關(guān)深度學(xué)習(xí)技術(shù)
        2.1.1 遷移學(xué)習(xí)
        2.1.2 增量學(xué)習(xí)
    2.2 物聯(lián)網(wǎng)相關(guān)技術(shù)
        2.2.1 物聯(lián)網(wǎng)概述
        2.2.2 物聯(lián)網(wǎng)與云計算
        2.2.3 物聯(lián)網(wǎng)與邊緣計算
    2.3 深度學(xué)習(xí)與物聯(lián)網(wǎng)的融合
        2.3.1 融合深度學(xué)習(xí)與物聯(lián)網(wǎng)的意義
        2.3.2 在融合過程中需要解決的問題
        2.3.3 融合深度學(xué)習(xí)與物聯(lián)網(wǎng)技術(shù)的相關(guān)研究
        2.3.4 物體認知系統(tǒng)所做工作
    2.4 本章小結(jié)
第三章 可增量圖像識別框架
    3.1 系統(tǒng)概覽
        3.1.1 適用于智能物聯(lián)網(wǎng)的模型結(jié)構(gòu)
        3.1.2 分布式部署
        3.1.3 框架描述
    3.2 具體實現(xiàn)方法
        3.2.1 特征提取
        3.2.2 增量訓(xùn)練
        3.2.3 實時推理
    3.3 實驗結(jié)果及分析
        3.3.1 實驗環(huán)境
        3.3.2 特征提取操作表現(xiàn)
        3.3.3 網(wǎng)絡(luò)設(shè)備負載能力
        3.3.4 增量學(xué)習(xí)的準(zhǔn)確度
    3.4 本章小結(jié)
第四章 多層神經(jīng)網(wǎng)絡(luò)推理過程切分算法
    4.1 系統(tǒng)模型與優(yōu)化目標(biāo)
        4.1.1 系統(tǒng)模型
        4.1.2 優(yōu)化目標(biāo)
    4.2 網(wǎng)絡(luò)切分算法
        4.2.1 問題規(guī)模分析
        4.2.2 狀態(tài)變量設(shè)計與計算
        4.2.3 獲取最優(yōu)運算分配策略
        4.2.4 算法分析
    4.3 實驗結(jié)果及分析
        4.3.1 實驗環(huán)境
        4.3.2 算法輸入
        4.3.3 實驗結(jié)果
    4.4 本章小結(jié)
第五章 物體認知系統(tǒng)設(shè)計及實現(xiàn)
    5.1 物體認知系統(tǒng)整體框架設(shè)計
    5.2 物體認知系統(tǒng)各模塊實現(xiàn)方案
        5.2.1 移動端程序設(shè)計
        5.2.2 網(wǎng)絡(luò)設(shè)備端程序設(shè)計
        5.2.3 服務(wù)器端程序設(shè)計
    5.3 系統(tǒng)測試
        5.3.1 實驗環(huán)境
        5.3.2 運行流程
        5.3.3 系統(tǒng)實用性展示
    5.4 系統(tǒng)資源占用分析
    5.5 本章小結(jié)
第六章 低資源嵌入式設(shè)備上的實現(xiàn)
    6.1 算法設(shè)計
        6.1.1 特征提取
        6.1.2 增量訓(xùn)練
        6.1.3 實時推理
    6.2 算法測試
    6.3 系統(tǒng)設(shè)計
        6.3.1 硬件設(shè)計
        6.3.2 軟件設(shè)計
    6.4 系統(tǒng)測試
    6.5 本章小結(jié)
第七章 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
參考文獻
攻讀碩士學(xué)位期間主要的研究成果
致謝



本文編號：3765571