【摘要】：隨著交通行業(yè)的不斷發(fā)展,檢測道路上的車輛、行人等移動目標來提高道路駕駛的安全性得到越來越多的重視。近幾年,隨著深度學習的發(fā)展,計算機視覺相關的任務逐漸被深度學習所取代。對于目標檢測任務,人們也開始探索利用深度學習的方式來解決。同時移動端設備作為一種無需連入網(wǎng)絡的安全隱私計算資源,在其上實現(xiàn)基于深度學習技術的交通目標檢測任務成為當下研究的熱門話題。本文首先介紹了目標檢測算法常用的幾大類方法,并分析比較了各類方法的主要內容及優(yōu)缺點。接著介紹了我們設計的移動端深度學習目標檢測架構,主要分了并行處理層、控制層和應用層三級結構,并基于OpenCL的并行多核處理框架完成卷積層、池化層、全連接層和激活函數(shù)的實現(xiàn)。由于卷積層計算在整個深度學習計算期間計算量最大耗時最久,我們提出并實現(xiàn)了基于OpenCL內存模型的優(yōu)化加速方法。對卷積輸入和卷積核權重采用多核冗余的方式從全局內存預加載進本地內存和常量區(qū)中,并采用避免分支的方法來減少線程工作項的等待時間。在介紹完移動端的目標檢測系統(tǒng)后,本文繼續(xù)介紹基于IEEE 802.1 1p車車通信協(xié)議的分布式目標檢測系統(tǒng)。采用Map-Reduce模型對卷積層和池化層進行分布式切分,在計算每層過后工作節(jié)點交換各自相鄰數(shù)據(jù)。同時我們?yōu)榱私鉀Q分布式系統(tǒng)中的由于不同工作節(jié)點計算能力不均而產生的木桶效應,設計并實現(xiàn)了基于指數(shù)平滑法來預測計算性能的任務重分配機制。使用指數(shù)平滑法預測各工作節(jié)點的計算能力,并根據(jù)不同的計算能力分配與之對應的計算任務,從而提升整體的分布式計算加速比。最后我們使用2到6個分布式節(jié)點進行實驗,基于均分法和預測法對比了每一層卷積層的執(zhí)行時延和整體的加速比。實驗表明預測法在2-6個節(jié)點的時候加速比比均分法要高,對卷積層加速達到了1.95x-5.94x加速效果,而均分法只有1.69x-5.78x加速效果,在6個分布式節(jié)點均分法和預測法在整體加速上呈現(xiàn)性能相似效果,達到3.35x/3.36x的加速效果。
【圖文】：

邐第二章目標檢測算法概述逡逑特征圖上。下圖２－１演示了一個包含卷積層和下采樣層的ＣＮＮ的完整網(wǎng)絡，其逡逑中同樣顏色的單位具有同樣的權重大小。同一層中使用不同的濾波器得到了不同逡逑的特征圖，后面接的池化層的則把相似的特征通過平均或者取最大值的方式融合逡逑成一個特征。一個典型的池化層單元就是計算一個特征圖（或幾個特征圖）中相逡逑鄰一小部分的最大值。經過兩三次這種卷積層，，非線性單元，池化層的堆積后，逡逑后面跟全連接層或者更多的卷積層。逡逑－逡逑－邐ｐｏｏｌ邋ｓｉｚｅ逡逑特Ａ％邋％邐％…逡逑＼卷積核大小邐＼逡逑＼邐輸入圖像＼逡逑圖２－丨邋典型ＣＮＮ網(wǎng)絡示意圖逡逑卷積神經網(wǎng)絡有兩個極其重要的特性，局部連接特性和權重共享特性。傳統(tǒng)逡逑的神經網(wǎng)絡都是采用全連接的方式，即把輸入層到隱藏層的神經元全部連接起逡逑來，這樣的方式會導致災難性的問題一一參數(shù)量過于巨大導致網(wǎng)絡訓練極其低逡逑效。ＣＮＮ中的局部連接特性就是用來解決參數(shù)過大的問題，局部連接特性指的逡逑是卷積神經網(wǎng)絡只通過部分連接的方式與相鄰層進行交互。例如ＣＮＮ網(wǎng)絡通過逡逑在相鄰層之間的神經元之間采用局部連接的方式來獲取空間相關性。換句話說，逡逑如圖２－２所示

逡逑ＯｐｅｎＣＬ平臺模型的定義為，單個Ｈｏｓｔ主機連接一個或者多個ＯｐｅｎＣＬ設備。逡逑圖３－４展示了單個Ｈｏｓｔ和多個計算設備的關系圖，其中對于每一個計算設備，逡逑里面又包含了多個計算單元，每一個計算單元中則包含了多個處理節(jié)點。逡逑—Ｉｌｌｉ邐￣￣—邐—邋—｜逡逑Ｈｒ邋１．１邋＾邐Ｊ．邋—邐ＯｐｅｎＣＬ邋主機逡逑邐＾逡逑ｒ？ｉ邐／邐邐逡逑？邋■邐，邋－Ａ逡逑’邐＼邐計算設備逡逑處理節(jié)點邐計算單元逡逑圖３－４邋ＯｐｅｎＣＬ平臺模型圖逡逑ＯｐｅｎＣＬ的執(zhí)行模型主要包含以下兩大類：內核程序和主機程序。內核逡逑（ｋｅｒｎｅｌ）程序是運行在單個或者多個ＯｐｅｎＣＬ設備上最為基本單位執(zhí)行代碼，逡逑類比于Ｃ語言中的可用于數(shù)據(jù)并行和任務并行的程序函數(shù)。主機程序則是運行逡逑在主機系統(tǒng)上的程序代碼，其中用來定義設備信息以及用于對執(zhí)行實例排隊的命逡逑令隊列等。逡逑ＯｐｅｎＣＬ的存儲器模型如圖３－５所示，由于常用的內存地址空間已經不適用逡逑于ＯｐｅｎＣＬ主機和設備中，ＯｐｅｎＣＬ對存儲模型進行了重新定義。主要分為如下逡逑四個區(qū)域：全局內存塊、常量內存塊、本地內存塊以及私用內存塊。其中全局內逡逑２０逡逑
【學位授予單位】：北京郵電大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：U463.67;U495;TP391.41

【相似文獻】

相關期刊論文 前10條

1 陳迪;;找準工作節(jié)點 創(chuàng)新方式方法——浙江省慈溪市總工會推進企業(yè)工會規(guī)范化建設的實踐探索[J];工會信息;2013年06期

2 占書芳;張曉川;廖三立;;基于負荷平衡的流水線生產節(jié)拍設計[J];武漢理工大學學報(交通科學與工程版);2007年01期

3 王啟明;甘泉;;云環(huán)境下基于SLA的工作隊列調配算法研究[J];系統(tǒng)仿真技術;2015年04期

4 甘泉;鄭均輝;;云環(huán)境下基于SLA的工作隊列調配算法研究[J];計算機與數(shù)字工程;2015年02期

5 甘泉;鄭均輝;;云計算中基于QoS的調配優(yōu)化算法[J];太赫茲科學與電子信息學報;2015年03期

6 邢贊;;單井節(jié)能達標管理的優(yōu)化與應用[J];化工管理;2014年14期

7 毛鶯池;龔海剛;劉明;陳道蓄;謝立;;ELIQoS:一種高效節(jié)能、與位置無關的傳感器網(wǎng)絡服務質量協(xié)議[J];計算機研究與發(fā)展;2006年06期

8 黃雪梅;要聞[J];科技廣場;2003年06期

9 曹文釗;蔣國萍;;軟件項目進度風險的貝葉斯網(wǎng)絡模型研究[J];科學技術與工程;2007年24期

10 陳治平;彭靜;;基于網(wǎng)格和曲線轉發(fā)的傳感器網(wǎng)絡路由算法[J];計算機應用;2006年04期

相關會議論文 前2條

1 杜紅梅;劉明盛;;基于云模型的風險評估方法研究[A];2009系統(tǒng)仿真技術及其應用學術會議論文集[C];2009年

2 付鵬斌;張雪峰;杜金蓮;;基于動態(tài)反饋的集群渲染系統(tǒng)的實現(xiàn)[A];全國第20屆計算機技術與應用學術會議(CACIS·2009)暨全國第1屆安全關鍵技術與應用學術會議論文集（下冊）[C];2009年

相關重要報紙文章 前10條

1 記者 劉棠琳 伍祁榕 許雅 余美君;緊盯重要工作節(jié)點認真謀劃好明年工作重點[N];海南農墾報;2016年

2 記者 郭雅瑩;讓項目攻堅盡早惠及民生[N];泉州晚報;2017年

3 秦浩文;高陵法院對標對表找短板[N];西部法制報;2017年

4 秦嶺 王昆;8610部隊抓管理注重把握工作節(jié)點[N];人民武警;2008年

5 記者 孔慧;積極應對挑戰(zhàn) 大干第二季度 確保經濟平穩(wěn)較快增長[N];商丘日報;2009年

6 記者 黃觀平;4月底前將有6個項目開工[N];東莞日報;2014年

7 記者 張心致;加大推進力度 確保按時完成任務[N];鶴壁日報;2012年

8 記者 孟鳴　實習生 劉揚;“陽光村務工程”有序推進[N];蕪湖日報;2010年

9 本報記者 曹智輝;緊扣主題 謀求發(fā)展[N];韶關日報;2009年

10 記者 宋鵬 通訊員 楊玲;克石化精準挖潛拓展增效空間[N];中國石油報;2016年

相關碩士學位論文 前10條

1 蒲霖;基于視覺深度學習和車車通信的車隊協(xié)同安全系統(tǒng)的設計與實現(xiàn)[D];北京郵電大學;2018年

2 師康利;基于Storm多租戶任務調度的負載均衡的研究[D];新疆大學;2018年

3 劉子驁;云環(huán)境下基于MapReduce的可驗證計算技術研究[D];西安電子科技大學;2017年

4 范欣欣;分布式微博信息采集平臺的設計與實現(xiàn)[D];華中科技大學;2014年

5 葉毅峰;云環(huán)境下優(yōu)先級工作隊列資源調度算法研究[D];暨南大學;2013年

6 呂鯤;BioLAB平臺框架設計與實現(xiàn)[D];華中科技大學;2005年

7 鄭福真;高擴展高容錯流式處理系統(tǒng)設計與實現(xiàn)[D];浙江大學;2015年

8 彭U

本文編號：2701311