Αναγνώριση κατ' οίκον δραστηριότητας σε έξυπνα σπίτια χρησιμοποιώντας τεχνητά νευρωνικά δίκτυα

Resident Activity Recognition in Smart Homes Using Artificial Neural Networks (Αγγλική)

  1. MSc thesis
  2. Τζοβάρας, Γιώργος
  3. Συστήματα Κινητού και Διάχυτου Υπολογισμού (ΣΔΥ)
  4. 27 Σεπτεμβρίου 2020 [2020-09-27]
  5. Ελληνικά
  6. 89
  7. Κίτσος, Παρασκευάς
  8. Ψάννης, Κωνσταντίνος
  9. Συνελικτικά Νευρωνικά Δίκτυα | Convolution Neural Networks | Αλγόριθμοι | Algorithms | Nέα αρχιτεκτονική συνέλιξης | New convolution architecture | FPGA | FPGA | VHDL | VHDL | Σιγμοειδής | Sigmoid | Κινητής υποδιαστολής | Floating point
  10. 8
  11. 22
  12. Περιέχει : πίνακες, διαγράμματα, σχήματα, εικόνες, κώδικα VHDL
    • Τα τελευταία χρόνια, τα Convolutional Neural Networks (CNN) έχουν δείξει εξαιρετική ανάπτυξη λόγω της αποτελεσματικότητάς τους σε σύνθετα προβλήματα αναγνώρισης εικόνας. Αυτή τη στιγμή χρησιμοποιούνται για την επίλυση ενός ολοένα μεγαλύτερου αριθμού προβλημάτων, όπως η αναγνώριση ομιλίας, η τμηματοποίηση και ταξινόμηση εικόνας. Οι αυξανόμενες απαιτήσεις σε δεδομένα επεξεργασίας από τα CNN ανοίγει τον δρόμο για hardware υλοποίηση. Επιπλέον, ο τρόπος λειτουργίας του CNN έχει χαρακτήρα ροής, κατάλληλο για αναδιαμορφώσιμες αρχιτεκτονικές υλικού, όπως τα FPGA. Ο όγκος της έρευνας για τη Μηχανική Εκμάθηση και ειδικά στο CNN (που υλοποιήθηκε σε πλατφόρμες FPGA) τα τελευταία 4 χρόνια καταδεικνύει το τεράστιο βιομηχανικό και ακαδημαϊκό ενδιαφέρον. Αυτή η μελέτη παρουσιάζει μια νέα αρχιτεκτονική που υλοποιεί Convolutional Neural Networks, κατάλληλη για εφαρμογή σε FPGA. Η ιδιαιτερότητά της είναι η δυνατότητα επαναχρησιμοποίησής της, έτσι ώστε να είναι δυνατή η αναπαραγωγή οποιουδήποτε συνελικτικού νευρωνικού δικτύου. Στην μελέτη αν και δεν έγιναν πειράματα με πολύ μεγάλες φωτογραφίες η αρχιτεκτονική σε θεωριτικό επίπεδο δεν έχει όρια στο μέγεθος της φωτογραφίας που θα επεξεργαστεί.
    • In recent years Convolutional Neural Networks (CNNs) have shown extremely growth due to their effectiveness at complex image recognition problems. They are currently adopted to solve an ever greater number of problems, ranging from speech recognition to image segmentation and classification. The continuing increasing amount of processing required by CNNs creates the field for hardware support methods. Moreover, CNN workloads have a streaming nature, well suited to reconfigurable hardware architectures such as FPGAs. The amount of research on the Machine Learning and especially on CNN (implemented on FPGA platforms) within the last 4 years demonstrates the tremendous industrial and academic interest. This study presents a new architecture implemented by Convolutional Neural Networks, suitable for application in FPGA. Its peculiarity is the possibility of its reuse, so that it is possible to reproduce any convolutional neural network. In the study, although no experiments were performed with very large photographs, the architecture at a theoretical level has no limits on the size of the photograph to be processed.
  14. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.