隨著各國對水下探測活動的深入開展,應用需求不斷擴大。在軍事領域,對水環(huán)境中可能存在的危險目標如水雷進行排查是確保水下安全性的重要環(huán)節(jié)。由于模板匹配、支持向量機等傳統(tǒng)方法在水下目標識別中往往存在識別精度較低、重建過程復雜等問題,需要尋找更優(yōu)的方法提高識別率及對圖像變換的適應性。大數(shù)據(jù)時代的到來使得深度學習方法逐漸替代了傳統(tǒng)的目標識別方法,卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks,CNN)作為深度學習算法的重要分支也逐步應用于水下目標的識別。CNN對于圖像的位置平移、比例縮放、角度傾斜、空間旋轉等各種形式的變換均有良好的適應性,且網(wǎng)絡采取端對端模式,避免了復雜的重建過程。但為了得到更高的精度,CNN模型的計算量和參數(shù)量不斷擴大。在探測過程中,大量計算及參數(shù)存儲會對設備的功耗及實時性提出極大的挑戰(zhàn)。針對上述問題,本文選取了識別率較高、計算量和參數(shù)量較小的卷積神經(jīng)網(wǎng)絡MobileNet作為水下目標識別的基礎架構,并提出了基于深度可分離卷積的并行化加速框架。同時采用復用和可配置性設計的形式將資源和功率消耗盡可能降低,以滿足無人潛航器等搭載環(huán)境對設備便攜性及低功耗的...

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 水下目標識別技術研究現(xiàn)狀
        1.2.2 卷積神經(jīng)網(wǎng)絡研究現(xiàn)狀
        1.2.3 卷積神經(jīng)網(wǎng)絡的FPGA加速研究現(xiàn)狀
    1.3 本文主要工作
第2章 相關理論與技術分析
    2.1 模型分析
        2.1.1 目標檢測模型
        2.1.2 MobileNet前向傳播模型
    2.2 MobileNet前向傳播算法分析
        2.2.1 標準卷積
        2.2.2 深度卷積
        2.2.3 點卷積
        2.2.4 深度可分離卷積
        2.2.5 批量歸一化
        2.2.6 RELU激活函數(shù)
        2.2.7 Padding實現(xiàn)
    2.3 量化策略和精度損失估計
        2.3.1 卷積層量化策略
        2.3.2 批量歸一化層量化策略及參數(shù)處理
    2.4 本章小結
第3章 并行計算方案及硬件加速設計
    3.1 計算并行性分析
    3.2 標準卷積并行化方案及硬件結構設計
        3.2.1 標準卷積并行化方案
        3.2.2 標準卷積硬件加速設計
        3.2.3 歸一化及RELU激活函數(shù)結構設計
    3.3 深度卷積并行化方案及硬件結構設計
        3.3.1 深度卷積并行化方案
        3.3.2 深度卷積硬件加速設計
    3.4 點卷積并行化方案及硬件加速設計
        3.4.1 點卷積并行化方案
        3.4.2 點卷積硬件加速設計
    3.5 MobileNet層間運算并行方案
    3.6 本章小結
第4章 基于ZYNQ平臺的水下目標識別系統(tǒng)設計
    4.1 系統(tǒng)架構方案
    4.2 可配置性設計
        4.2.1 可配置圖像讀入時序模塊設計
        4.2.2 可配置卷積數(shù)據(jù)讀取模塊設計
        4.2.3 可配置權重讀入時序控制模塊設計
        4.2.4 數(shù)據(jù)緩存裁剪模塊設計
    4.3 時序控制及不同壓縮程度架構配置設計
    4.4 本章小結
第5章 系統(tǒng)測試與分析
    5.1 SSD MobileNet架構適應性測試
    5.2 架構時序控制的優(yōu)化
        5.2.1 卷積層間串行計算為主的時序策略
        5.2.2 卷積層間并行計算為主的時序策略
    5.3 實驗結果分析及比較
    5.4 展望
    5.5 本章小結
結論
參考文獻
致謝



本文編號：3846186