Επιτάχυνση υλικού για αναγνώριση θέσης μελών σώματος μέσω βαθιάς μάθησης
Οι τελευταίες τεχνολογικές εξελίξεις στον χώρο της τεχνητής νοημοσύνης έχουν έρθει από την χρήση νευρωνικών δικτύων. Αυτά έχουν δώσει εξαιρετικά αποτελέσματα σε διάφορες εφαρμογές όπως η επεξεργασία φυσικής γλώσσας και ομιλίας, η υπολογιστική όραση πράγμα που τα έχει κάνει να χρησιμοποιούνται ως τμή...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/16057 |
| id |
nemertes-10889-16057 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Συνελικτικά νευρωνικά δίκτυα Αναγνώριση θέσης μελών σώματος Επιταχυντές υλικού Convolutional neural netowrks Human body part estimation Hardware accelerators |
| spellingShingle |
Συνελικτικά νευρωνικά δίκτυα Αναγνώριση θέσης μελών σώματος Επιταχυντές υλικού Convolutional neural netowrks Human body part estimation Hardware accelerators Καλλιγέρης Σκέντζος, Μιχαήλ Αθανάσιος Επιτάχυνση υλικού για αναγνώριση θέσης μελών σώματος μέσω βαθιάς μάθησης |
| description |
Οι τελευταίες τεχνολογικές εξελίξεις στον χώρο της τεχνητής νοημοσύνης έχουν έρθει από την χρήση νευρωνικών δικτύων. Αυτά έχουν δώσει εξαιρετικά αποτελέσματα σε διάφορες εφαρμογές όπως η επεξεργασία φυσικής γλώσσας και ομιλίας, η υπολογιστική όραση πράγμα που τα έχει κάνει να χρησιμοποιούνται ως τμήματα σε πολλών συστημάτων ελέγχου και πρόβλεψης. Οι βελτιώσεις που παρατηρούνται στον κλάδο αυτό οφείλονται κυρίως στην επίτευξη αποδοτικής εκπαίδευσης μοντέλων με πολύ μεγάλο αριθμό παραμέτρων σε έναν τεράστιο όγκο δεδομένων. Συγκεκριμένα τα συνελικτικά νευρωνικά δίκτυα (CNN) είναι μια σύγχρονη μορφή νευρωνικών δικτύων που είναι ικανά να μαθαίνουν χαρακτηριστικά σε χωρικά συσχετισμένα δεδομένα όπως οι εικόνες, ο ήχος και ο γραπτός λόγος. Η βασική μαθηματική πράξη πάνω στην οποία βασίζονται είναι αυτή της συνέλιξης, που τους επιτρέπει να ανιχνεύουν στα δεδομένα ένα χαρακτηριστικό που έχουν μάθει μέσω των παραμέτρων τους. Μεγάλες αρχιτεκτονικές τέτοιων δικτύων έχουν υπερνικήσει τα αντίστοιχα παραδοσιακά νευρωνικά δίκτυα πετυχαίνοντας μάλιστα επιδώσεις καλύτερες από αυτές του ανθρώπου σε δύσκολα προβλήματα όπως η αναγνώριση αντικειμένων.
Παρά τις βελτιωμένες επιδόσεις των δικτύων αυτών σε πληθώρα προβλημάτων το αυξημένο μέγεθός τους καθιστά την χρήση τους πολύ αργή για εφαρμογές πραγματικού χρόνου. Η ζήτηση αυτή για ενσωμάτωση σε εφαρμογές πραγματικού χρόνου δημιουργεί ανάγκες για επιτάχυνση των αλγορίθμων αυτών. Για τον σκοπό αυτό γίνεται αξιοποίηση υλικού γενικού σκοπού όπως οι κάρτες γραφικών (GPUs) και ειδικού σκοπού με παράλληλες αρχιτεκτονικές μεγάλης κλίμακας ώστε να επιταχύνεται τόσο η χρήση των νευρωνικών δικτύων (inference) όσο και η διαδικασία της εκπαίδευσής τους (training). Στην παρούσα εργασία επιλέχθηκε ένα σύγχρονο νευρωνικό δίκτυο, εκπαιδευμένο σε ένα σύνθετο πρόβλημα, αυτό της αναγνώρισης θέσης μελών του ανθρώπινου σώματος σε εικόνες και επιταχύνθηκε χρησιμοποιώντας υπολογιστικές μονάδες γενικού σκοπού (CPUs, DPUs) και ειδικού σκοπού (DPUs). |
| author2 |
Kalligeris Skentzos, Michail Athanasios |
| author_facet |
Kalligeris Skentzos, Michail Athanasios Καλλιγέρης Σκέντζος, Μιχαήλ Αθανάσιος |
| author |
Καλλιγέρης Σκέντζος, Μιχαήλ Αθανάσιος |
| author_sort |
Καλλιγέρης Σκέντζος, Μιχαήλ Αθανάσιος |
| title |
Επιτάχυνση υλικού για αναγνώριση θέσης μελών σώματος μέσω βαθιάς μάθησης |
| title_short |
Επιτάχυνση υλικού για αναγνώριση θέσης μελών σώματος μέσω βαθιάς μάθησης |
| title_full |
Επιτάχυνση υλικού για αναγνώριση θέσης μελών σώματος μέσω βαθιάς μάθησης |
| title_fullStr |
Επιτάχυνση υλικού για αναγνώριση θέσης μελών σώματος μέσω βαθιάς μάθησης |
| title_full_unstemmed |
Επιτάχυνση υλικού για αναγνώριση θέσης μελών σώματος μέσω βαθιάς μάθησης |
| title_sort |
επιτάχυνση υλικού για αναγνώριση θέσης μελών σώματος μέσω βαθιάς μάθησης |
| publishDate |
2022 |
| url |
http://hdl.handle.net/10889/16057 |
| work_keys_str_mv |
AT kalligerēsskentzosmichaēlathanasios epitachynsēylikougiaanagnōrisēthesēsmelōnsōmatosmesōbathiasmathēsēs AT kalligerēsskentzosmichaēlathanasios hardwareaccelerationforposeestimationusingdeeplearning |
| _version_ |
1771297222914211840 |
| spelling |
nemertes-10889-160572022-09-05T13:55:55Z Επιτάχυνση υλικού για αναγνώριση θέσης μελών σώματος μέσω βαθιάς μάθησης Hardware acceleration for pose estimation using deep learning Καλλιγέρης Σκέντζος, Μιχαήλ Αθανάσιος Kalligeris Skentzos, Michail Athanasios Συνελικτικά νευρωνικά δίκτυα Αναγνώριση θέσης μελών σώματος Επιταχυντές υλικού Convolutional neural netowrks Human body part estimation Hardware accelerators Οι τελευταίες τεχνολογικές εξελίξεις στον χώρο της τεχνητής νοημοσύνης έχουν έρθει από την χρήση νευρωνικών δικτύων. Αυτά έχουν δώσει εξαιρετικά αποτελέσματα σε διάφορες εφαρμογές όπως η επεξεργασία φυσικής γλώσσας και ομιλίας, η υπολογιστική όραση πράγμα που τα έχει κάνει να χρησιμοποιούνται ως τμήματα σε πολλών συστημάτων ελέγχου και πρόβλεψης. Οι βελτιώσεις που παρατηρούνται στον κλάδο αυτό οφείλονται κυρίως στην επίτευξη αποδοτικής εκπαίδευσης μοντέλων με πολύ μεγάλο αριθμό παραμέτρων σε έναν τεράστιο όγκο δεδομένων. Συγκεκριμένα τα συνελικτικά νευρωνικά δίκτυα (CNN) είναι μια σύγχρονη μορφή νευρωνικών δικτύων που είναι ικανά να μαθαίνουν χαρακτηριστικά σε χωρικά συσχετισμένα δεδομένα όπως οι εικόνες, ο ήχος και ο γραπτός λόγος. Η βασική μαθηματική πράξη πάνω στην οποία βασίζονται είναι αυτή της συνέλιξης, που τους επιτρέπει να ανιχνεύουν στα δεδομένα ένα χαρακτηριστικό που έχουν μάθει μέσω των παραμέτρων τους. Μεγάλες αρχιτεκτονικές τέτοιων δικτύων έχουν υπερνικήσει τα αντίστοιχα παραδοσιακά νευρωνικά δίκτυα πετυχαίνοντας μάλιστα επιδώσεις καλύτερες από αυτές του ανθρώπου σε δύσκολα προβλήματα όπως η αναγνώριση αντικειμένων. Παρά τις βελτιωμένες επιδόσεις των δικτύων αυτών σε πληθώρα προβλημάτων το αυξημένο μέγεθός τους καθιστά την χρήση τους πολύ αργή για εφαρμογές πραγματικού χρόνου. Η ζήτηση αυτή για ενσωμάτωση σε εφαρμογές πραγματικού χρόνου δημιουργεί ανάγκες για επιτάχυνση των αλγορίθμων αυτών. Για τον σκοπό αυτό γίνεται αξιοποίηση υλικού γενικού σκοπού όπως οι κάρτες γραφικών (GPUs) και ειδικού σκοπού με παράλληλες αρχιτεκτονικές μεγάλης κλίμακας ώστε να επιταχύνεται τόσο η χρήση των νευρωνικών δικτύων (inference) όσο και η διαδικασία της εκπαίδευσής τους (training). Στην παρούσα εργασία επιλέχθηκε ένα σύγχρονο νευρωνικό δίκτυο, εκπαιδευμένο σε ένα σύνθετο πρόβλημα, αυτό της αναγνώρισης θέσης μελών του ανθρώπινου σώματος σε εικόνες και επιταχύνθηκε χρησιμοποιώντας υπολογιστικές μονάδες γενικού σκοπού (CPUs, DPUs) και ειδικού σκοπού (DPUs). Recent technological advances in the field of artificial intelligence have mainly been centered around the use of Artificial Neural Networks. ANN algorithms have yielded great results in a number of different applications such as natural language processing and computer vision and have become increasingly popular. They are now integrated as the main part of many control and monitoring systems as well as many predictive algorithms. The advancements in this field have mainly been made dur to the successful training of large-scale models to extract knowledge from huge volumes of data. More specifically Convolutional Neural Networks (CNN) are a type of machine learning algorithm that is able to learn from data that is specially correlated such as images, sound and written speech. They manage this by utilizing the mathematical operation of convolutions, which allows them to discern patterns in data that are similar to those they have learned in their parameters. Large architectures of neural networks have managed to outperform traditional artificial neural networks and even humans on tasks such as image classification, thus becoming the state of the art. In spite of the breakthroughs such algorithms have made, their increased size and high need for computational resources make their use in real time applications a hard task. Thus, there is a need for acceleration of such algorithms so as to make it possible to use them in such situations. For this purpose, general purpose processing units such as graphics cards (GPUs) and specific purpose highly parallelized processing units have been utilized to speedup the use of such networks (inference) as well as their training process. In this thesis a modern convolutional neural network, pretrained on the complex task of human keypoint recognition , was deployed and speedup by parallelizing the computations using general purpose processing units such as CPUs, GPUs and non-general purpose units such as DPUs. 2022-03-15T10:59:30Z 2022-03-15T10:59:30Z 2022-02-28 http://hdl.handle.net/10889/16057 gr application/pdf |
