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 | |
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 |
|
Internet | Authorized users SPbPU |
|
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