Детальная информация

Название: 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
Авторы: Филатов Николай Сергеевич
Научный руководитель: Габриель Антон Сергеевич
Другие авторы: Чупров Сергей Геннадьевич
Организация: Санкт-Петербургский политехнический университет Петра Великого. Институт металлургии, машиностроения и транспорта
Выходные сведения: Санкт-Петербург, 2019
Коллекция: Выпускные квалификационные работы; Общая коллекция
Тематика: 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
Тип документа: Выпускная квалификационная работа бакалавра
Тип файла: PDF
Язык: Русский
Код специальности ФГОС: 15.03.06
Группа специальностей ФГОС: 150000 - Машиностроение
Ссылки: Отзыв руководителя; Рецензия; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2019/vr/vr19-778
Права доступа: Доступ по паролю из сети Интернет (чтение, печать, копирование)

Разрешенные действия:

Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети Действие 'Загрузить' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети

Группа: Анонимные пользователи

Сеть: Интернет

Аннотация

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.

Права на использование объекта хранения

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все Прочитать Печать Загрузить
Интернет Авторизованные пользователи СПбПУ Прочитать Печать Загрузить
Интернет Авторизованные пользователи (не СПбПУ)
-> Интернет Анонимные пользователи

Оглавление

  • 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

Статистика использования

stat Количество обращений: 55
За последние 30 дней: 0
Подробная статистика