Details

Title Исследование применимости сверхмалых нейронных сетей на маломощных платформах в задаче видеоаналитики: выпускная квалификационная работа бакалавра: 15.03.06 - Мехатроника и робототехника ; 15.03.06_04 - Автономные роботы
Creators Филатов Николай Сергеевич
Scientific adviser Габриель Антон Сергеевич
Other creators Чупров Сергей Геннадьевич
Organization Санкт-Петербургский политехнический университет Петра Великого. Институт металлургии, машиностроения и транспорта
Imprint Санкт-Петербург, 2019
Collection Выпускные квалификационные работы ; Общая коллекция
Subjects глубокое обучение ; нейронные сети ; мобильный робот ; сравнительный анализ архитектур ; методы сжатия нейронных сетей ; сверточные нейронные сети ; deeplearning ; neural networks ; mobile robot ; architecture analysis ; neural networks compression ; convolutional neural networks
Document type Bachelor graduation qualification work
File type PDF
Language Russian
Level of education Bachelor
Speciality code (FGOS) 15.03.06
Speciality group (FGOS) 150000 - Машиностроение
Links Отзыв руководителя ; Рецензия ; Отчет о проверке на объем и корректность внешних заимствований
DOI 10.18720/SPBPU/3/2019/vr/vr19-778
Rights Доступ по паролю из сети Интернет (чтение, печать, копирование)
Record key ru\spstu\vkr\1777
Record create date 9/11/2019

Allowed Actions

Action 'Read' will be available if you login or access site from another network

Action 'Download' will be available if you login or access site from another network

Group Anonymous
Network Internet

В работе представлен аналитический обзор высокопроизводительных архитектур нейронных сетей, предназначенных для классификации и обнаружения объектов на изображениях, а также обзор методов сжатия нейронных сетей. Проведена оценка быстродействия одноэтапных нейросетевых детекторов SqueezeDet, Tiny-YOLO, YOLO, с использованием различного оборудования. Вычисления проводились на компьютере с графическим процессором Nvidia Ge Force GTX 1070, ноутбуке без графической карты, вычислителе Nvidia Jetson Tx2 и микрокомпьютере Raspberry Pi 3 Model B. Решена задача обнаружения деревянных кубов мобильным роботом.

The paper presents an analytical review of high-performance neural network architectures for classification and detection of objects in images, as well as an overview of neural network compression methods. The performance of one-stage neural network detectors SqueezeDet, Tiny-YOLO, YOLO was evaluated using various equipment. The calculations were carried out on a computer with a graphics processor Nvidia Ge Force GTX 1070, a laptop without a graphics card, a computer Nvidia Jetson Tx2 and a microcomputer Raspberry Pi 3 Model B. The problem of wooden cubes detection by a mobile robot is solved.

Network User group Action
ILC SPbPU Local Network All
Read Print Download
Internet Authorized users SPbPU
Read Print Download
Internet Anonymous
  • ВВЕДЕНИЕ
  • 1 Математическое описание основных элементов сверточной нейронной сети
    • 1.1 Искусственный нейрон
    • 1.2 Сверточный слой
    • 1.3 Слой субдискретизации
    • 1.4 Слой нормализации батча
    • 1.5 Полносвязный слой
    • 1.6 Формулировка задач работы
    • 1.7 Вывод по разделу
  • 2 Методы сжатия и ускорения нейронных сетей
    • 2.1 Низкоранговое разложение (low rank factorization)
    • 2.2 Квантизация (quantization)
    • 2.3 Глубокое сжатие (Deep compression)
    • 2.4 Вывод по разделу
  • 3 Архитектуры высокопроизводительных нейронных сетей для классификации изображений
    • 3.1 Архитектура MobileNets
    • 3.2 Архитектура SqueezeNet
    • 3.3 Вывод по разделу
  • 4 Архитектуры высокопроизводительных нейронных сетей для обнаружения объектов на изображениях
    • 4.1 Архитектура SqueezeDet
    • 4.2 Сравнительный анализ SqueezeDet и YOLO
    • 4.3 Вывод по разделу
  • 5 Разработка системы технического зрения мобильного робота, проведение экспериментального исследования
    • 5.1 Постановка задачи и создание наборов данных
    • 5.2 Описание системы технического зрения
    • 5.2 Экспериментальное исследование
    • 5.3 Вывод по разделу
  • ЗАКЛЮЧЕНИЕ
  • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Access count: 86 
Last 30 days: 1

Detailed usage statistics