Στερεοσκοπική όραση με τεχνητά νευρωνικά δίκτυα και υλοποίηση σε υλικό
Στην παρούσα διπλωματική εργασία γίνεται ανάλυση της δομής ενός συνελικτικού νευρωνικού δικτύου (cNN) για στερεοσκοπική όραση και παρουσιάζεται μία παράλληλη αρχιτεκτονική προς υλοποίηση σε υλικό, έτσι ώστε το σύστημα να υπολογίζει τις τιμές του βάθους σε πραγματικό χρόνο. Συγκεκριμένα, έγινε εκτε...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Γλώσσα: | Greek |
Έκδοση: |
2020
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/13780 |
id |
nemertes-10889-13780 |
---|---|
record_format |
dspace |
spelling |
nemertes-10889-137802022-09-06T05:14:04Z Στερεοσκοπική όραση με τεχνητά νευρωνικά δίκτυα και υλοποίηση σε υλικό Convolutional neural networks for stereoscopic vision and hardware implementation Σωτηρόπουλος, Διονύσης-Οδυσσέας Sotiropoulos, Dionisis-Odysseas Συνελικτικά νευρωνικά δίκτυα Αρχιτεκτονική υλικού Στερεοσκοπική όραση Convolutional neural networks Hardware architecture Stereoscopic vision Στην παρούσα διπλωματική εργασία γίνεται ανάλυση της δομής ενός συνελικτικού νευρωνικού δικτύου (cNN) για στερεοσκοπική όραση και παρουσιάζεται μία παράλληλη αρχιτεκτονική προς υλοποίηση σε υλικό, έτσι ώστε το σύστημα να υπολογίζει τις τιμές του βάθους σε πραγματικό χρόνο. Συγκεκριμένα, έγινε εκτενής ανάλυση μέσω ανακατασκευής του cNN σε διαφορετική πλατφόρμα χωρίς την υποστήριξη πρότυπων βιβλιοθηκών τεχνητών νευρωνικών δικτύων ενώ παράλληλα κατασκευάστηκαν σε γλωσσα περιγραφής υλικού VHDL και εξομοιώθηκαν σε εξομοιωτή ModelSim τα απαραίτητα εξαρτήματα που δομούν την προτεινόμενη παράλληλη αρχιτεκτονική. Τέλος, μέσω υπολογισμών των σφαλμάτων από ακρίβεια των δεδομένων και υπολογισμού του χρόνου εκτέλεσης και των χρονικών περιορισμών, σχεδιάστηκε παράλληλη αρχιτεκτονική, βελτιστοποιημένη ως προς τις απαιτήσεις μνήμης και επιφάνειας υλικού, εύκολα επεκτάσιμη έτσι ώστε να είναι εφικτή η επεξεργασία σε πραγματικό χρόνο ανεξάρτητα από τους περιορισμούς του εκάστοτε κυκλώματος επιτόπια προγραμματιζόμενων πυλών (FPGA) στο οποίο στοχος είναι να μεταφερθεί το cNN. In this thesis we aim to analyze an architecture of a Convolutional Neural Network (cNN) for Stereo Matching and develop a hardware architecture to be used in a Field Programmable Gate Array so as to compute the stereo estimation of still images in real time in hardware. To this end we installed and analyzed the code and verified the author’s results. We designed and simulated the basic computational units of the neural network in VHDL, a hardware description language as well as proposed a general parallel architecture for the complete cNN. The proposed architecture is easily scalable so as to balance chip area to clock frequency in order to achieve real time execution regardless of chip specifications. 2020-08-20T19:19:32Z 2020-08-20T19:19:32Z 2020-07-21 http://hdl.handle.net/10889/13780 gr application/pdf |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Συνελικτικά νευρωνικά δίκτυα Αρχιτεκτονική υλικού Στερεοσκοπική όραση Convolutional neural networks Hardware architecture Stereoscopic vision |
spellingShingle |
Συνελικτικά νευρωνικά δίκτυα Αρχιτεκτονική υλικού Στερεοσκοπική όραση Convolutional neural networks Hardware architecture Stereoscopic vision Σωτηρόπουλος, Διονύσης-Οδυσσέας Στερεοσκοπική όραση με τεχνητά νευρωνικά δίκτυα και υλοποίηση σε υλικό |
description |
Στην παρούσα διπλωματική εργασία γίνεται ανάλυση της δομής ενός συνελικτικού νευρωνικού δικτύου (cNN) για στερεοσκοπική όραση και παρουσιάζεται μία παράλληλη αρχιτεκτονική προς υλοποίηση σε υλικό, έτσι ώστε το σύστημα να υπολογίζει τις τιμές του βάθους σε πραγματικό χρόνο.
Συγκεκριμένα, έγινε εκτενής ανάλυση μέσω ανακατασκευής του cNN σε διαφορετική πλατφόρμα χωρίς την υποστήριξη πρότυπων βιβλιοθηκών τεχνητών νευρωνικών δικτύων ενώ παράλληλα κατασκευάστηκαν σε γλωσσα περιγραφής υλικού VHDL και εξομοιώθηκαν σε εξομοιωτή ModelSim τα απαραίτητα εξαρτήματα που δομούν την προτεινόμενη παράλληλη αρχιτεκτονική. Τέλος, μέσω υπολογισμών των σφαλμάτων από ακρίβεια των δεδομένων και υπολογισμού του χρόνου εκτέλεσης και των χρονικών περιορισμών, σχεδιάστηκε παράλληλη αρχιτεκτονική, βελτιστοποιημένη ως προς τις απαιτήσεις μνήμης και επιφάνειας υλικού, εύκολα επεκτάσιμη έτσι ώστε να είναι εφικτή η επεξεργασία σε πραγματικό χρόνο ανεξάρτητα από τους περιορισμούς του εκάστοτε κυκλώματος επιτόπια προγραμματιζόμενων πυλών (FPGA) στο οποίο στοχος είναι να μεταφερθεί το cNN. |
author2 |
Sotiropoulos, Dionisis-Odysseas |
author_facet |
Sotiropoulos, Dionisis-Odysseas Σωτηρόπουλος, Διονύσης-Οδυσσέας |
author |
Σωτηρόπουλος, Διονύσης-Οδυσσέας |
author_sort |
Σωτηρόπουλος, Διονύσης-Οδυσσέας |
title |
Στερεοσκοπική όραση με τεχνητά νευρωνικά δίκτυα και υλοποίηση σε υλικό |
title_short |
Στερεοσκοπική όραση με τεχνητά νευρωνικά δίκτυα και υλοποίηση σε υλικό |
title_full |
Στερεοσκοπική όραση με τεχνητά νευρωνικά δίκτυα και υλοποίηση σε υλικό |
title_fullStr |
Στερεοσκοπική όραση με τεχνητά νευρωνικά δίκτυα και υλοποίηση σε υλικό |
title_full_unstemmed |
Στερεοσκοπική όραση με τεχνητά νευρωνικά δίκτυα και υλοποίηση σε υλικό |
title_sort |
στερεοσκοπική όραση με τεχνητά νευρωνικά δίκτυα και υλοποίηση σε υλικό |
publishDate |
2020 |
url |
http://hdl.handle.net/10889/13780 |
work_keys_str_mv |
AT sōtēropoulosdionysēsodysseas stereoskopikēorasēmetechnētaneurōnikadiktyakaiylopoiēsēseyliko AT sōtēropoulosdionysēsodysseas convolutionalneuralnetworksforstereoscopicvisionandhardwareimplementation |
_version_ |
1799945001238528000 |