Επιταχυντές υλικού για νευρωνικά δίκτυα αναγνώρισης ανθρώπινων συναισθημάτων από εικόνες
Στόχος της παρούσας διπλωματικής εργασίας είναι η βελτιστοποίηση ενός τεχνητού νευρωνικού δικτύου αναγνώρισης ανθρώπινων συνασθημάτων μέσω επιτάχυνσης υλικού, με σκοπό την χρήση του σε πραγματικό χρόνο. Για να γίνει αυτό είναι απαραίτητη η επιλογή ενός συνόλου δεδομένων και μίας κατάλληλης αρχιτεκτο...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/16085 |
| id |
nemertes-10889-16085 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-160852022-09-05T20:43:37Z Επιταχυντές υλικού για νευρωνικά δίκτυα αναγνώρισης ανθρώπινων συναισθημάτων από εικόνες Hardware accelerators for image-based human-emotion recognition neural networks Γρηγορίου, Γεώργιος Grigoriou, Georgios Νευρωνικά δίκτυα Επιταχυντές υλικού Αναγνώριση ανθρώπινων συναισθημάτων Neural networks Hardware accelerators Human emotions recognition Στόχος της παρούσας διπλωματικής εργασίας είναι η βελτιστοποίηση ενός τεχνητού νευρωνικού δικτύου αναγνώρισης ανθρώπινων συνασθημάτων μέσω επιτάχυνσης υλικού, με σκοπό την χρήση του σε πραγματικό χρόνο. Για να γίνει αυτό είναι απαραίτητη η επιλογή ενός συνόλου δεδομένων και μίας κατάλληλης αρχιτεκτονικής για την ορθή εκπαίδευση του. Επίσης, πρέπει να γίνει μελέτη ως προς το ιδανικό επίπεδο κβαντοποίησης του δικτύου, έτσι ώστε να επιλεχθεί ο σωστός αριθμός bit, για κάθε ένα από τα στρώματα του, χωρίς σημαντική ελάττωση στην ακρίβειά. Αυτό οδηγεί σε σημαντική μείωση της έκτασης του σε επίπεδο υλικού. Τέλος, χάρη στην επιτάχυνση υλικού, επιτυγχάνεται σημαντική μείωση των χρονισμών του δικτύου, επιτρέποντας την λειτουργία του σε εφαρμογές πραγματικού χρόνου. Για την διεκπεραίωση της όλης εργασίας χρησιμοποιήθηκαν διάφορες γλώσσες προγραμματισμού, όπως η Python και η C++, καθώς και ένα εργαλείο σύνθεσης υψηλού επιπέδου, το Catapult. Primary goal of this thesis is the optimization of a human emotion recognition artificial neural network by using hardware acceleration, to create a neural network that can be used in real time. To do so, it is essential to choose a dataset and a particular architecture, for the sake of training the network. Also, research must be done to find the ideal level of quantization, in order to pick the right number of bits for each of the network’s layers, without a great decrease in accuracy. This leads on a very important decline on the area needed for the network in terms of hardware. Lastly, thanks to the hardware acceleration, a considerable decrease regarding the timings of the network is achieved, making it possible to use the network in real time. For the completion of this whole process, different programming languages have been used, like Python and C++, as well as a high-level synthesis tool called Catapult. 2022-03-16T13:13:59Z 2022-03-16T13:13:59Z 2022-03-16 http://hdl.handle.net/10889/16085 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Νευρωνικά δίκτυα Επιταχυντές υλικού Αναγνώριση ανθρώπινων συναισθημάτων Neural networks Hardware accelerators Human emotions recognition |
| spellingShingle |
Νευρωνικά δίκτυα Επιταχυντές υλικού Αναγνώριση ανθρώπινων συναισθημάτων Neural networks Hardware accelerators Human emotions recognition Γρηγορίου, Γεώργιος Επιταχυντές υλικού για νευρωνικά δίκτυα αναγνώρισης ανθρώπινων συναισθημάτων από εικόνες |
| description |
Στόχος της παρούσας διπλωματικής εργασίας είναι η βελτιστοποίηση ενός τεχνητού νευρωνικού δικτύου αναγνώρισης ανθρώπινων συνασθημάτων μέσω επιτάχυνσης υλικού, με σκοπό την χρήση του σε πραγματικό χρόνο. Για να γίνει αυτό είναι απαραίτητη η επιλογή ενός συνόλου δεδομένων και μίας κατάλληλης αρχιτεκτονικής για την ορθή εκπαίδευση του. Επίσης, πρέπει να γίνει μελέτη ως προς το ιδανικό επίπεδο κβαντοποίησης του δικτύου, έτσι ώστε να επιλεχθεί ο σωστός αριθμός bit, για κάθε ένα από τα στρώματα του, χωρίς σημαντική ελάττωση στην ακρίβειά. Αυτό οδηγεί σε σημαντική μείωση της έκτασης του σε επίπεδο υλικού. Τέλος, χάρη στην επιτάχυνση υλικού, επιτυγχάνεται σημαντική μείωση των χρονισμών του δικτύου, επιτρέποντας την λειτουργία του σε εφαρμογές πραγματικού χρόνου. Για την διεκπεραίωση της όλης εργασίας χρησιμοποιήθηκαν διάφορες γλώσσες προγραμματισμού, όπως η Python και η C++, καθώς και ένα εργαλείο σύνθεσης υψηλού επιπέδου, το Catapult. |
| author2 |
Grigoriou, Georgios |
| author_facet |
Grigoriou, Georgios Γρηγορίου, Γεώργιος |
| author |
Γρηγορίου, Γεώργιος |
| author_sort |
Γρηγορίου, Γεώργιος |
| title |
Επιταχυντές υλικού για νευρωνικά δίκτυα αναγνώρισης ανθρώπινων συναισθημάτων από εικόνες |
| title_short |
Επιταχυντές υλικού για νευρωνικά δίκτυα αναγνώρισης ανθρώπινων συναισθημάτων από εικόνες |
| title_full |
Επιταχυντές υλικού για νευρωνικά δίκτυα αναγνώρισης ανθρώπινων συναισθημάτων από εικόνες |
| title_fullStr |
Επιταχυντές υλικού για νευρωνικά δίκτυα αναγνώρισης ανθρώπινων συναισθημάτων από εικόνες |
| title_full_unstemmed |
Επιταχυντές υλικού για νευρωνικά δίκτυα αναγνώρισης ανθρώπινων συναισθημάτων από εικόνες |
| title_sort |
επιταχυντές υλικού για νευρωνικά δίκτυα αναγνώρισης ανθρώπινων συναισθημάτων από εικόνες |
| publishDate |
2022 |
| url |
http://hdl.handle.net/10889/16085 |
| work_keys_str_mv |
AT grēgoriougeōrgios epitachyntesylikougianeurōnikadiktyaanagnōrisēsanthrōpinōnsynaisthēmatōnapoeikones AT grēgoriougeōrgios hardwareacceleratorsforimagebasedhumanemotionrecognitionneuralnetworks |
| _version_ |
1771297278366056448 |
