Geri Dön

Convolutional neural network design with new max pooling circuits

Yeni maksimum ortaklama devreleriyle evrişimli sinir ağı tasarımı

  1. Tez No: 727122
  2. Yazar: BÜŞRA BÜLBÜL
  3. Danışmanlar: PROF. DR. MUSTAFA GÖK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. 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

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEYFETTİN SİNAN GÜLTEKİN

  2. Derin öğrenme ile tekstil tipi tanım

    Fabric classification by using deep learning

    GÖKHAN GÜRGEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ECE OLCAY GÜNEŞ

  3. Derin öğrenme ağ yapılarının uyku evreleme problemlerine uygulanması

    Application of deep learning architectures on sleep staging problems

    ENES EFE

    Doktora

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. SERAL ÖZŞEN

  4. Deep learning-based techniques for 3D point cloud analysis

    3B nokta bulutu analizi için derin öğrenme temelli teknikler

    YUSUF HÜSEYİN ŞAHİN

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE ÜNAL

  5. Image restoration with deep convolutional neural network

    Derin evrimsel sinir ağı ile görüntü restorasyonu

    MOHAMED CHETIN A EZZULDDIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Bilgisayar Mühendisliği Bilim Dalı

    DR. ÖĞR. ÜYESİ TARKAN AYDIN