神經(jīng)網(wǎng)絡(luò)是人工智能（AI）領(lǐng)域中使用非常廣泛的一種深度學(xué)習(xí)算法,由于在網(wǎng)絡(luò)訓(xùn)練和推理過(guò)程中通常需要大量的運(yùn)算,故運(yùn)算通常由具有強(qiáng)大計(jì)算性能的GPU服務(wù)器完成。然而,嵌入式設(shè)備通常計(jì)算能力有限,這嚴(yán)重影響了AI在嵌入式系統(tǒng)的應(yīng)用,而計(jì)算棒的出現(xiàn),為嵌入式設(shè)備中應(yīng)用AI技術(shù)提供了一種實(shí)現(xiàn)途徑。本文以智能機(jī)器人目標(biāo)檢測(cè)需求為背景,圍繞基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法在Intel二代神經(jīng)網(wǎng)絡(luò)計(jì)算棒實(shí)現(xiàn)為目標(biāo),做了以下三個(gè)方面的工作,具體如下:首先,以浙江省創(chuàng)新機(jī)器人比賽為背景,完成了比賽場(chǎng)景的目標(biāo)檢測(cè)數(shù)據(jù)集IRC3的制作,并利用YOLOv3網(wǎng)絡(luò)進(jìn)行了訓(xùn)練和測(cè)試,實(shí)驗(yàn)表明:YOLOv3網(wǎng)絡(luò)在IRC3數(shù)據(jù)集上的平均測(cè)試準(zhǔn)確率為98%,能夠較好地檢測(cè)出IRC3數(shù)據(jù)集中的蘋(píng)果、木塊和啤酒罐三類物體,滿足預(yù)期需求。其次,完成了卷積神經(jīng)網(wǎng)絡(luò)的卷積層數(shù)和浮點(diǎn)計(jì)算量?jī)蓚�(gè)關(guān)鍵因素影響Intel二代神經(jīng)網(wǎng)絡(luò)計(jì)算棒性能（推理時(shí)間）的實(shí)驗(yàn)測(cè)試,結(jié)果表明:卷積網(wǎng)絡(luò)的浮點(diǎn)計(jì)算量與計(jì)算棒所需推理時(shí)間接近于線性正比關(guān)系且增長(zhǎng)幅度較大,其影響較大;卷積網(wǎng)絡(luò)層數(shù)與計(jì)算棒所需推理時(shí)間接近于分段正比關(guān)系且增長(zhǎng)幅度較小,其影響較小。最后,根... 

【文章來(lái)源】：杭州師范大學(xué)浙江省

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1兩代計(jì)算棒性能比較1如圖2-1所示，NCS2性能比一代神經(jīng)計(jì)算棒有很大提升，其中，在分類問(wèn)題上性能提高約為5倍，檢測(cè)問(wèn)題上提高約為4倍

杭州師范大學(xué)碩士學(xué)位論文相關(guān)理論和研究綜述14圖2-2感知機(jī)模型根據(jù)圖2-2，感知機(jī)模型可由公式2.1表示。=(11+22+33)(2.1)其中，表示感知機(jī)的輸入，表示輸入層到輸出層的連接權(quán)重，神經(jīng)元的每個(gè)輸入往往會(huì)乘以一個(gè)權(quán)重，用來(lái)表示每個(gè)輸入對(duì)神經(jīng)元的重要程度。表示偏置，神經(jīng)元的輸入在乘以權(quán)重之后通常會(huì)加上一個(gè)偏置項(xiàng)，用來(lái)表示線性模型的常數(shù)項(xiàng)。感知機(jī)由于神經(jīng)單元少，學(xué)習(xí)能力有限，一般只能解決一些簡(jiǎn)單的線性分類問(wèn)題，對(duì)非線性問(wèn)題的處理效果很差。因此，后來(lái)就出現(xiàn)了多層感知機(jī)模型，并把這種多層感知機(jī)模型叫做神經(jīng)網(wǎng)絡(luò)（NeuralNetwork，NN）。神經(jīng)網(wǎng)絡(luò)是在感知機(jī)的基礎(chǔ)上增加了隱藏層，每層網(wǎng)絡(luò)的輸出結(jié)果會(huì)經(jīng)過(guò)一個(gè)激活函數(shù)，通過(guò)激活函數(shù)增加網(wǎng)絡(luò)的非線性。如圖2-3為前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)主要包括三層神經(jīng)元，分別為輸入層、隱藏層和輸出層。層與層之間通過(guò)權(quán)重矩陣相連接，最終訓(xùn)練結(jié)果通過(guò)輸出層輸出。圖2-3傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖

杭州師范大學(xué)碩士學(xué)位論文相關(guān)理論和研究綜述14圖2-2感知機(jī)模型根據(jù)圖2-2，感知機(jī)模型可由公式2.1表示。=(11+22+33)(2.1)其中，表示感知機(jī)的輸入，表示輸入層到輸出層的連接權(quán)重，神經(jīng)元的每個(gè)輸入往往會(huì)乘以一個(gè)權(quán)重，用來(lái)表示每個(gè)輸入對(duì)神經(jīng)元的重要程度。表示偏置，神經(jīng)元的輸入在乘以權(quán)重之后通常會(huì)加上一個(gè)偏置項(xiàng)，用來(lái)表示線性模型的常數(shù)項(xiàng)。感知機(jī)由于神經(jīng)單元少，學(xué)習(xí)能力有限，一般只能解決一些簡(jiǎn)單的線性分類問(wèn)題，對(duì)非線性問(wèn)題的處理效果很差。因此，后來(lái)就出現(xiàn)了多層感知機(jī)模型，并把這種多層感知機(jī)模型叫做神經(jīng)網(wǎng)絡(luò)（NeuralNetwork，NN）。神經(jīng)網(wǎng)絡(luò)是在感知機(jī)的基礎(chǔ)上增加了隱藏層，每層網(wǎng)絡(luò)的輸出結(jié)果會(huì)經(jīng)過(guò)一個(gè)激活函數(shù)，通過(guò)激活函數(shù)增加網(wǎng)絡(luò)的非線性。如圖2-3為前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)主要包括三層神經(jīng)元，分別為輸入層、隱藏層和輸出層。層與層之間通過(guò)權(quán)重矩陣相連接，最終訓(xùn)練結(jié)果通過(guò)輸出層輸出。圖2-3傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)的Faster R-CNN高壓線纜目標(biāo)檢測(cè)方法[J]. 劉召,張黎明,耿美曉,么軍,張金祿,胡益菲.  智能系統(tǒng)學(xué)報(bào). 2019(04)
[2]基于Movidius神經(jīng)計(jì)算棒的行人檢測(cè)方法[J]. 張洋碩,苗壯,王家寶,李陽(yáng).  計(jì)算機(jī)應(yīng)用. 2019(08)
[3]基于改進(jìn)Mask RCNN和Kinect的服務(wù)機(jī)器人物品識(shí)別系統(tǒng)[J]. 石杰,周亞麗,張奇志.  儀器儀表學(xué)報(bào). 2019(04)
[4]基于YOLO模型的柔索并聯(lián)機(jī)器人移動(dòng)構(gòu)件快速定位方法[J]. 訾斌,尹澤強(qiáng),李永昌,趙濤.  機(jī)械工程學(xué)報(bào). 2019(03)
[5]基于改進(jìn)特征金字塔的Mask R-CNN目標(biāo)檢測(cè)方法[J]. 任之俊,藺素珍,李大威,王麗芳,左健宏.  激光與光電子學(xué)進(jìn)展. 2019(04)
[6]英特爾OpenVINO工具包為創(chuàng)新智能視覺(jué)提供更多可能[J].   中國(guó)信息化. 2018(08)
[7]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[8]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)

碩士論文
[1]基于雙目視覺(jué)及深度學(xué)習(xí)的采摘機(jī)器人目標(biāo)檢測(cè)及定位技術(shù)研究[D]. 秦雁飛.北京交通大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)框架的室內(nèi)物體目標(biāo)檢測(cè)和姿態(tài)估計(jì)[D]. 方鵬飛.杭州師范大學(xué) 2019



本文編號(hào)：3362509