簡易檢索 / 詳目顯示

研究生: 王雅慶
Wang, Ya-Ching
論文名稱: 以FPGA實現摺積神經網路及應用於人臉辨識之研究
The implementation of CNN-based face recognition systems based on FPGA
指導教授: 吳榮根
Wu, Jung-Gen
黃文吉
Hwang, Wen-Jyi
學位類別: 碩士
Master
系所名稱: 資訊工程學系
Department of Computer Science and Information Engineering
論文出版年: 2016
畢業學年度: 104
語文別: 中文
論文頁數: 78
中文關鍵詞: 摺積神經網路
DOI URL: https://doi.org/10.6345/NTNU202204484
論文種類: 學術論文
相關次數: 點閱:201下載:42
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報
  • 本研究主要提出一個以可程式化邏輯閘陣列(Field Programmable Gate Array; FPGA) [1]為主的硬體架構來實現快速辨識影像架構,此架構是採用摺積神經網路(Convolutional Neural Network ; CNN)的向前傳遞法則(Forward propagation)來實現影像的辨識階段,現有的CNN系統架構多以GPU實現,GPU有高功率的缺點,而現有使用FPGA實現CNN運算的電路設計大部分只有設計CNN中的少數幾層,只實作出摺積層或是全連結層,本研究以FPGA為平台,設計CNN中的Lenet5模型,設計出Lenet5完整架構,具有低功率消耗跟極高的辨識率的優點。
    本研究的架構為可程式化系統晶片(System on Programmable Chip; SOPC)中的硬體加速器以實現圖像辨識,本研究使用人臉圖像來當作辨識影像,總共辨識28個人的人臉。實驗結果顯示本研究所提出的CNN架構十分合適於使用在需要高可攜性,高辨識率,高計算速度等的視覺應用。本論文實作CNN的Lenet5架構比較適合運用在社區的人臉監視系統,Lenet5 模型對於很多人的辨識運用比其它摺積神經網路較差些,像是VGG Net [2]、GOOGLE Net [3],但對於30人左右的辨識率Lenet5模型還是辨識率還是足夠的。本研究可以使用在社區人臉辨識,社區的人臉監視系統只需要辨識社區內所有人物,而且辨識的速度快速,一有辨識錯的影像可以馬上被察覺,不會讓社區以外的人進入,這是本論文的一個有趣的應用。

    中文摘要 i 誌謝 ii 目錄 iii 附表目錄 v 附圖目錄 vi 第一章 緒論 1 第一節 研究背景與動機 1 第二節 研究目的與方法 3 第三節 全文架構 5 第二章 基礎理論與文獻探討 6 第一節 類神經網路介紹 6 第二節 Convolutional Neural Networks basics 9 第三節 Convolutional Neural Networks演算法則 10 第四節 FPGA系統設計 15 第三章 系統架構 16 第一節 研究流程 16 第二節 電路架構 17 第一項 C3電路架構 19 第二項 S2電路架構 32 第三項 C3電路架構 40 第四項 NIOS Ⅱ系統單元 59 第四章 實驗數據與效能分析 60 第一節 開發平台與實驗環境 60 第二節 實驗結果與效能分析 65 第五章 結論 74 參考文獻 75

    [1] C. Zhang, P. Li, G. Sun, Y. Guan, B. Xiao, and J. Cong, (2015). Optimizing FPGA-Based Accelerator Design for Deep Convolutional Neural Networks. In Proc. ACM/SIGDA Int. Symp. on Field- Programmable Gate Arrays, pp.161-170.
    [2] L. Wang, S. Guo, W. Huang, and Y. Qiao (2015). Places205-VGGNet Models for Scene Recognition; Available online: https://github.com/wanglimin/Places205-VGGNet (accessed on 20 Nov. 2015).
    [3] C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, A.Rabinovich (2015). Going Deeper with Convolutions. In Proc. IEEE Int. Conf. on Comp. Vis. and Pattern Recogn.
    [4] Y. LeCun, Y. Bengio and G. Hinton, (2015). Deep Learning, Nature, 521, pp. 436-444.
    [5] J. Fan, W. Xu, Y. Wu, and Y. Gong, (2010) Human Tracking Using Convolutional Neural Networks. IEEE Trans. Neural Networks, 21, pp. 1610 -1623.
    [6] S. Ji, W. Xu, M. Yang and K. Yu (2013). 3D Convolutional Neural Networks for Human Action Recognition. IEEE Trans. Pattern Analysis and Machine Intelligence, 35, pp.221-231.
    [7] K. Simonyan and A. Zisserman, (2015). Very Deep Convolutional Neural Networks for Large Scale Image Recognition, In Proc. Int. Conf. on Learning Representation.
    [8] Y. Jia, http://caffe.berkeleyvision.org/.
    [9] S. Sun and J. Zambreno (2009). A Floating-point Accumulator for FPGA-based High Performance Computing Applications. In Proc. IEEE Int. Conf. on Field-Programmable Tech., pp. 493-499.
    [10] A. Krizhevsky, I. Sutskever, and G. E. Hinton, (2012) Imagenet Classification with Deep Convolutional Neural Networks. Advances in Neural Inform. Processing Syst., 25, pp. 1106-1114.
    [11] S. Himavathi, D. Anitha, and A. Muthuramalingam, (2007).Feedforward Neural Network Implementation in FPGA Using Layer Multiplexing for Effective Resource Utilization, IEEE Trans. Neural Networks, 18, pp.880-888..
    [12] Y. Jia, E. Shelhamer, J. Donahue, S. Karayev, J. Long, R. Girshick,
    S. Guadarrama, and T. Darrell(2014) Caffe: Convolutional Architecture for Fast Feature Embedding. In Proc. ACM Int. Conf. on Multimedia, pp. 675-678
    [13] Y. LeCun and Y. Bengio, (1995) Convolutional networks for images, speech, and time series. In The Handbook of Brain Theory and Neural Networks, M. A. Arbib, Ed., MIT Press, pp. 255-258.
    [14] 紀凱文(2016),摺積神經網路全連結層FPGA實現之研究, 國立台灣師範大學碩士論文

    下載圖示
    QR CODE