【摘要】：如今,電視制導武器得到了越來越廣泛的應用,在電視制導技術的不斷向前發(fā)展的過程中,數(shù)字圖像處理技術也不斷地更新和進步,尤其是圖像目標檢測算法的研究和應用顯得格外重要,與此同時深度學習領域也取得了突破性的進展,卷積神經(jīng)網(wǎng)絡的架構(gòu)可以得到更魯棒的特征。本課題提出了一種基于卷積神經(jīng)網(wǎng)絡的目標檢測算法,解決了傳統(tǒng)人工選取特征準確性不足的缺點;同時引用回歸思想取代了滑動窗口或者建議區(qū)域的遍歷式的工作方式,加快了目標檢測的速度;同時在訓練中加入難例挖掘,提高了訓練之后網(wǎng)絡的準確性。并進行三種數(shù)據(jù)集的訓練和測試,對數(shù)據(jù)進行詳盡分析。為了更好的滿足實時性,將算法映射到FPGA上進行加速,實現(xiàn)了數(shù)據(jù)轉(zhuǎn)換模塊和卷積神經(jīng)網(wǎng)絡的設計,因為大量的卷積計算是算法復雜度的集中體現(xiàn)。根據(jù)FPGA的并行處理的優(yōu)勢和卷積神經(jīng)網(wǎng)絡并行結(jié)構(gòu)的特點,對并行性進行了充分的分析和利用。由于FPGA的資源受限,對存儲系統(tǒng)尤其是二維卷積計算的緩存安排進行精心的布置,有效的提高了片上資源的使用效率。
[Abstract]:Nowadays, TV guided weapons are more and more widely used. In the process of the continuous development of TV guidance technology, the digital image processing technology is constantly updated and improved. Especially, the research and application of image target detection algorithm is very important. At the same time, a breakthrough has been made in the field of deep learning, and the architecture of convolution neural network can get more robust features. In this paper, a target detection algorithm based on convolution neural network is proposed, which solves the shortcoming of traditional artificial selection, and uses regression to replace the traversal mode of sliding window or suggested region. The speed of target detection is accelerated and the accuracy of network after training is improved by adding hard case mining in training. Three kinds of data sets are trained and tested, and the data are analyzed in detail. In order to better meet the real-time performance, the algorithm is mapped to FPGA to accelerate the design of data conversion module and convolution neural network, because a large number of convolution computation is the concentrated embodiment of algorithm complexity. According to the advantages of FPGA parallel processing and the characteristics of convolution neural network parallel structure, the parallelism is fully analyzed and utilized. Due to the resource limitation of FPGA, the cache arrangement of storage system, especially two-dimensional convolution computing, is carefully arranged, which effectively improves the efficiency of the use of on-chip resources.
【學位授予單位】：長春理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TN791;TP183;TJ765.3

【參考文獻】

相關期刊論文 前10條

1 王茜;張海仙;;深度學習框架Caffe在圖像分類中的應用[J];現(xiàn)代計算機(專業(yè)版);2016年05期

2 袁建建;毛征;曲勁松;吳珍榮;李紅巖;;基于改進Haar-like特征的壓縮跟蹤算法[J];兵工自動化;2014年03期

3 鄭胤;陳權崎;章毓晉;;深度學習及其在目標和行為識別中的新進展[J];中國圖象圖形學報;2014年02期

4 劉洋;王海暉;向云露;盧培磊;;基于改進的Adaboost算法和幀差法的車輛檢測方法[J];華中科技大學學報(自然科學版);2013年S1期

5 劉建偉;劉媛;羅雄麟;;玻爾茲曼機研究進展[J];計算機研究與發(fā)展;2014年01期

6 郭明瑋;趙宇宙;項俊平;張陳斌;陳宗海;;基于支持向量機的目標檢測算法綜述[J];控制與決策;2014年02期

7 余凱;賈磊;陳雨強;徐偉;;深度學習的昨天、今天和明天[J];計算機研究與發(fā)展;2013年09期

8 李海峰;李純果;;深度學習結(jié)構(gòu)和算法比較分析[J];河北大學學報(自然科學版);2012年05期

9 劉穎;陳勇;;國外精確制導武器的導引頭技術發(fā)展[J];飛航導彈;2011年08期

10 趙志宏;楊紹普;馬增強;;基于卷積神經(jīng)網(wǎng)絡LeNet-5的車牌字符識別研究[J];系統(tǒng)仿真學報;2010年03期

相關博士學位論文 前2條

1 陸志堅;基于FPGA的卷積神經(jīng)網(wǎng)絡并行結(jié)構(gòu)研究[D];哈爾濱工程大學;2013年

2 袁國武;智能視頻監(jiān)控中的運動目標檢測和跟蹤算法研究[D];云南大學;2012年

相關碩士學位論文 前5條

1 余子健;基于FPGA的卷積神經(jīng)網(wǎng)絡加速器[D];浙江大學;2016年

2 余奇;基于FPGA的深度學習加速器設計與實現(xiàn)[D];中國科學技術大學;2016年

3 周巖;智能視頻監(jiān)控中的運動目標檢測和跟蹤算法研究[D];東北大學;2014年

4 陳益如;基于視覺的行人檢測算法研究及系統(tǒng)設計[D];浙江大學;2014年

5 許可;卷積神經(jīng)網(wǎng)絡在圖像識別上的應用的研究[D];浙江大學;2012年

，

本文編號：2134566