(3.231.29.122) 您好!臺灣時間:2021/02/26 01:30
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:陳冠任
研究生(外文):Chen, Guan-Ren
論文名稱:以混合深度學習方法加速嵌入式系統之物件偵測
論文名稱(外文):A Hybrid Deep Learning Method of Fast Object Detection for Embedded System
指導教授:曹孝櫟曹孝櫟引用關係
指導教授(外文):Tsao, Shiao-Li
口試委員:曹孝櫟陳添福駱明凌
口試日期:2017-09-06
學位類別:碩士
校院名稱:國立交通大學
系所名稱:資訊科學與工程研究所
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2017
畢業學年度:106
語文別:中文
論文頁數:21
中文關鍵詞:嵌入式系統物件偵測
外文關鍵詞:embedded systemobject detection
相關次數:
  • 被引用被引用:0
  • 點閱點閱:236
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
現今有許多電腦視覺在嵌入式系統上的應用,然而電腦視覺的應用需要大量的計算及功耗,這並不樂見於嵌入式系統。一般而言,使用者在不同應用程式、不同的情境下對於效能及功耗有不同的需求,因此我們想要量測不同演算法在不同平台下效能、功耗和準確度的特性,並透過我們的結果提供使用者一些平台和演算法選擇上的建議。
本研究建立一個以耗能(Power)、準確度(Accuracy)以及幀率(FPS)所組成的三維圖,提供使用者在不同情境下的選擇,並進一步從微觀的角度,利用影像前後幀(frame)之間差異不大的特性,我們挑選出一個辨識準確度較低但辨識時間較短的演算法以及一個辨識準確度較高但辨識時間較長的演算法,讓影像的每幀穿插使用兩演算法,並且以準確度高的結果對準確度低的結果進行修正,進而達到準確度接近準確度較高的演算法但其執行時間大幅縮短的效果。
Nowadays, there are a plenty of the computer vision applications on embedded system. However, it is not good to run computer vision applications on embedded systems which will take much computation and power consumption. This study aims to measure the power consumption, the accuracy and the performance of different algorithm running on different platform to give the suggestion of choosing algorithm on the platform so to meet the request of the performance and power consumption for different applications in different situation.
In this thesis, we build a 3D plot which composed by power, accuracy and FPS. Further, from microscopic point of view, we choose one higher accuracy but slower detection algorithm and one lower accuracy but faster detection algorithm. Since video has the characteristics that the frame in video will be similar to its next frame, we run these two detection algorithm on the video frames alternatively and use the result produced by higher accuracy algorithm to correct the result produced by lower accuracy algorithm so that we can achieve the result that the accuracy is close to the higher accuracy algorithm but its execution time significantly shortened.
摘要 i
Abstract ii
致謝 iii
I. 介紹 1
II. 相關研究 2
III. 辨識演算法於嵌入式平台之效能、功耗及準確度分析 3
A. 實驗平台與環境 3
B. 辨識演算法 3
C. 耗能量測工具 3
D. 實驗結果 5
1. 演算法準確度 5
2. 演算法平行度 5
3. 耗能、準確度、FPS三維圖 5
IV. 混合辨識演算法(Hybrid detection) 7
A. 實驗平台 8
B. 辨識演算法 8
C. 靜態混合辨識 9
D. 動態混合辨識 14
V. 結論 20
Reference 21
[1] Navneet Dalal and Bill Triggs. Histogram of oriented gradients for human detection. 2005.
[2] Ahonen, T., Hadid, A., and Pietikainen, M. Face Recognition with Local Binary Patterns. Computer Vision - ECCV 2004 (2004), 469–481.
[3] Jifeng Dai, Yi Li, Kaiming He and Jian Sun. R-FCN: Object Detection via Region-based Fully Convolutional Networks. 2016.
[4] Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. 2015.
[5] Joseph Redmon, Ali Farhadi. YOLO9000:Better, Faster, Stronger. 2016.
[6] Jonathan Huang, Vivek Rathod, Chen Sun, Menglong Zhu, Anoop Korattikara. Speed/accuracy trade-offs for modern convolutional object detectors. 2017
[7] Ting-Wu Chin, Chia-Lin Yu, Matthew Halpern, Hasan Genc, Shiao-Li Tsao, and Vijay Janapa Reddi. Domain Specific Approximation for Object Detection in Cognitive Visual Agents.
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔