Convolutional neural network design with new max pooling circuits
Yeni maksimum ortaklama devreleriyle evrişimli sinir ağı tasarımı
- Tez No: 727122
- Danışmanlar: PROF. DR. MUSTAFA GÖK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 53
Özet
Bu tezde gelişkin Evrişimli Sinir Ağı (ESA) mimarilerinin önemli bir işlem bloğu olan maksimum ortaklama ünite tasarımları sunulmuştur. Maksimum ortaklama katmanı ESA tasarımlarının kritik gecikme yolunda olup, boru hatlı bir tümleşik devrenin ana çevrim hızını etki edebilecek önemdedir. Önerilen tasarımların toplam çerçeve işleme süreleri Standart Tasarıma göre çok daha kısadır. Önerilen tasarımlar farklı boru hatlı yapılara entegre edilebilecektir. Tasarımlar VHDL ile modellenmiş ve güncel bir FPGA platformu üzerinde sentezlenmiştir. Sentez sonuçları, önerilen tasarımların en hızlısının Standart Tasarımla karşılaştırıldığında 128x128'lik bir çerçeveyi yaklaşık 8.1 kat daha hızlı işlediğini göstermiştir. Bu tezde ayrıca sunulan ilk maksimum ortaklama devresi tam fonksiyonel boru hatlı bir ESA donanım tasarımına entegre edilmiştir. Mevcut tasarım altı katmandan meydana gelmektedir. Uygulamanın ana amacı performans verimliliğine sahip basit bir tasarım oluşturmaktır. Bu amaç doğrultusunda ESA basit tutulmuş ve hızı artırmak için işlenen görüntüler iki eşit parçaya ayrılarak aynı anda iki veri yolu ile işlenir. ESA tasarımı standart tasarıma göre gecikmeyi azaltmıştır. Ayrıca, tasarım orta boyutlu bir FPGA platformu üzerinde gerçeklenmiştir.
Özet (Çeviri)
In this thesis, max pooling unit designs, which is an important process block of Convolutional Neural Networks (CNN), are presented. The max pooling layer is in the critical delay path of the CNN design and is important to influence the main conversion rate of a pipeline integrated circuit. The total frame processing times of the proposed designs are much shorter than the Standard Design. The proposed designs can be integrated into different pipeline structures. All designs are modeled with VHDL and synthesized on a current FPGA platform. The synthesis results show that the fastest of the proposed designs processes a 128x128 frame around 8.1 times faster than the Standard Design. The first max pooling circuit design presented in this thesis is used in the design of a fully functional pipelined CNN. The presented design has six layers. The main focus of the implementation is performance efficiency, to double the speed it divides the input images by half and simultaneously processes them in two data paths. The CNN design has reduced latency compared to a standard implementation. Also, the design fits on a medium size FPGA platform.
Benzer Tezler
- Meme kanseri tespiti için sentetik mikrodalga görüntülerinin derin öğrenme odaklı segmentasyonu
Driven segmentation of synthetic microwave images for breast cancer detection
ÖZLEM BAHAR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ÇAYÖREN
- Detection and classification of fabric defects with an innovative model and perspective
Kumaş hatalarının yenilikçi bir model ve bakış açısıyla tespit ve sınıflandırılması
SİNEM BİRSEN
Yüksek Lisans
İngilizce
2025
Tekstil ve Tekstil Mühendisliğiİstanbul Teknik ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
PROF. DR. CANAN SARIÇAM
- Farklı derin öğrenme modelleri kullanarak histopatalojik görüntülerden meme tümörlerinin sınıflandırılmasında yeni yaklaşımlar
New approaches in classification of breast tumors from histopathological images using different deep learning models
SEMA NIZAM ABDULGHANI
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEYFETTİN SİNAN GÜLTEKİN
- Derin öğrenme ile tekstil tipi tanım
Fabric classification by using deep learning
GÖKHAN GÜRGEN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- Multipart music transcription using deep neural networks
Derin öğrenme ağları ile çok sesli müzik transkripsiyonu
EMİN GERMEN