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
Уровень высшего образования: Бакалавриат
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)
Ключ записи: ru\spstu\vkr\1777

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
Внешние организации №2 Все Прочитать
Внешние организации №1 Все
Интернет Авторизованные пользователи СПбПУ Прочитать Печать Загрузить
Интернет Авторизованные пользователи (не СПбПУ, №2) Прочитать
Интернет Авторизованные пользователи (не СПбПУ, №1)
-> 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: 74
За последние 30 дней: 0
Подробная статистика