Детальная информация

Муаз, Бабар. Стратегии параллелизации архитектуры параллельного векторного процессора на основе свёрточных нейронных сетей [Электронный ресурс] = Convolutional neural networks parallelisation strategies for a massive parallel vector processor architecture: выпускная квалификационная работа магистра: 09.04.01 - Информатика и вычислительная техника ; 09.04.01_17 - Интеллектуальные системы (международная образовательная программа) / Б. Муаз; Санкт-Петербургский политехнический университет Петра Великого, Институт компьютерных наук и технологий ; науч. рук. В. В. Потехин ; консультант по нормоконтролю Е. Н. Селиванова. — Электрон. текстовые дан. (1 файл : 5,7 Мб). — Санкт-Петербург, 2019. — Загл. с титул. экрана. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Adobe Acrobat Reader 7.0. — <URL:http://elib.spbstu.ru/dl/3/2019/vr/vr19-5775.pdf>. — <URL:http://doi.org/10.18720/SPBPU/3/2019/vr/vr19-5775>. — <URL:http://elib.spbstu.ru/dl/3/2019/vr/rev/vr19-5775-o.pdf>. — <URL:http://elib.spbstu.ru/dl/3/2019/vr/rev/vr19-5775-r.pdf>. — <URL:http://elib.spbstu.ru/dl/3/2019/vr/rev/vr19-5775-a.pdf>.

Дата создания записи: 29.11.2019

Тематика: обнаружение объектов; Advance Driving Assistance Systems; оптимизация памяти; object detection; Advance Driving Assistance Systems; memory optimization

Коллекции: Выпускные квалификационные работы; Общая коллекция

Ссылки: DOI; Отзыв руководителя; Рецензия; Отчет о проверке на объем и корректность внешних заимствований

Разрешенные действия: Прочитать Загрузить (5,7 Мб) Для чтения документа необходим Flash Player

Группа: Анонимные пользователи

Сеть: Интернет

Аннотация

Обнаружение объектов является основным полевым приложением Advance Driving Assistance Systems (ADAS), которое стало возможным благодаря архитектуре на базе векторных процессоров VPRO для аппаратного ускорителя искусственного интеллекта для конкретного приложения. Очень важно полностью использовать процессор, используя механизмы параллелизма. Сверточные нейронные сети (CNN) являются многообещающим инструментом для интеллектуальной маркировки сцен, но они также очень дороги в вычислительном отношении и требуют большого количества данных для выполнения вычислений. Огромная передача данных создает проблемы с аппаратной пропускной способностью, что очень критично для ограничения скорости и энергопотребления. Это исследование посвящено оптимизации памяти в VPRO, изучаются и сравниваются различные схемы, чтобы эффективно обрабатывать интенсивный трафик данных для маркировки сцен. Предложена подходящая модель CNN, и она также обеспокоена тем, как можно реализовать эти оптимизации памяти.

Object detection is a major field application of Advance Driving Assistance Systems (ADAS) which is made possible on VPRO- a vector processor based architecture for application specific AI-hardware accelerator. It is of great concern to utilize the processor fully by exploiting parallelism mechanisms. Convolutional Neural networks (CNN’s) are promising tool for intelligent scene labelling, but It is also computationally very expensive and requires lot of data transfers in order to perform calculations. Huge data transfers bring hardware bandwidth problem, it is very critical limiting speed and energy requirements. This study is about memory optimization in VPRO, different schemes are studied and compared to efficiently handle intensive data traffic for scene labelling. A suitable CNN model is suggested and it is also taken in concern how these memory optimizations can be implemented.

Права на использование объекта хранения

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все Прочитать Печать Загрузить
-> Интернет Все Прочитать Печать Загрузить

Статистика использования документа

stat Количество обращений: 11
За последние 30 дней: 11
Подробная статистика