Accelerated object detection on FPGA SoC
FPGA SoC üzerinde hızlandırlmış nesne tespiti
- Tez No: 824257
- Danışmanlar: PROF. DR. CEM ÜNSALAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 104
Özet
Tezin amacı, FPGA'de iki ve üç boyutlu veriler kullanılarak nesnelerin daha hızlı, daha yüksek doğrulukla ve daha iyi enerji verimliliği ile tespit edilebileceğini göstermektir. İnsansız sistemler için en çok araştırılan noktaların hız, doğruluk ve enerji parametreleri olduğu bilinmektedir. Halihazırda kullanılan mikroişlemci tabanlı sistemlerin nesne tanımadaki performansının, paralel veri işleme kapasitesinin olmaması nedeniyle FPGA (Field Programmable Gata Array) tabanlı sistemlere göre çok daha düşük olduğu bilinmektedir. Bu nedenle FPGA ile nesnelerin tespitinde yapılacak en küçük iyileştirmeler bile önemlidir. Çok katmanlı makine öğrenimi yapıları, nöronlar eldeki verilerden nesne tespiti için en sık kullanılan ve doğruluk oranları en yüksek yapılar olmuştur. Öte yandan, bu yapıları kullanmak çok yüksek hafıza gerektirir ve bu, gömülü sistemler için önemli bir sorun olabilir. Bu nedenle Konvolüsyonel Sinir Ağı (CNN) doğrudan uygulamasından ziyade Binary Neural Network (BNN) metodolojisi kullanılmaktadır. Öte yandan makine öğrenme modellerinin derinliği azaltılarak ve ek filtreler kullanılarak yeniden tasarlanması incelenmiştir. Filtrelemede olarak yaygın olarak kullanılan 3 hatlı tampon metodolojisi yeniden tasarlandı. Bu tasarımların farklı kullanım durumları için etkisi değerlendirilmiştir. Nokta bulutları gibi 3 boyutlu veriler de incelenir. Bu yüzden; bu tez, farklı kullanım durumları için farklı metodolojiler sunmaktadır. İnsansız sistemlerin 2 boyutlu ve 3 boyutlu girdi verileri kullanacak olması da farklı tasarımların denetimlerinin çok önemli olmasının bir başka nedenidir. Renk verisinin her zaman gerekli olmayacağı gösterilmiştir ve obje sınıflandırmaları için yeni bir tasarım yapılmıştır. Bu sayede hafıza kullanımı azaltılmış, sınıflandırma hızı arttırılmıştır. Yapılan filtre iyileştirmesinde ise normal filtrelere oranla hız katlanmış, bu filtrelerin doğruluk oranını değiştirebileceği ve farklı opsiyonlarda kullanılabilirliği değerlendirilmiştir.
Özet (Çeviri)
The aim of the thesis is showing that objects can be detected faster, with higher accuracy and better energy efficiency by using two- and three-dimensional data on Field Programmable Gate Array (FPGA). It is known that the most researched points for unmanned systems are speed, accuracy, and energy parameters. The performance of currently used microprocessor-based systems in object recognition is much lower than FPGA based systems due to the lack of parallel data processing capacity. So, even the smallest improvements to be made in the detection of objects with FPGA are important. Machine learning structures with many layers, neurons are the most frequently used structures for object detection from the data at hand and have the highest accuracy rates. On the other hand, using these structures require so high memory, that can be a major issue for embedded systems. This is the reason why rather than the Convolutional Neural Network (CNN) direct implementation, Binary Neural Network (BNN) methodology is used. On the other hand, redesigning the machine learning models by decreasing depth and using additional filters are examined. As filtering, commonly used 3-line buffer methodology is redesigned. The impact of these designs for different use cases are evaluated. 3-Dimensional data such as point clouds are also inspected. So; this thesis offer different methodologies for different use cases. As the unmanned systems are going to use 2-Dimensional and 3-Dimensional input data, this is also another reason the inspections of different designs are highly important.
Benzer Tezler
- FPGA kullanarak şablon eşleme temelli yüz tanıyan donanımın gerçekleştirilmesi
Implementing template matching based face recognition hardware using FPGA
ASİYE RÜMEYSA ÜNSAL
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERKAN DERELİ
- Partially reconfigurable FPGA implementation of a real-time system
Gerçek zamanlı bir sistemin kısmi yeniden yapılandırılabilir FPGA ile gerçekleştirilmesi
BENGİSU TENGİLİMOĞLU
Yüksek Lisans
İngilizce
2014
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CÜNEYT FEHMİ BAZLAMAÇCI
- Gerçek zamanlı nesne tanıma sistemlerinde microservis yaklaşımı ile performans artırımı
Real-time object detection systems performance increase with microservice approach
MEHMET ALİ SERTTAŞ
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaltepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. EMİN MURAT ESİN
- Kablosuz iletişim yoluyla bir android cihaza bağlı nesne tanıma sistemi kullanan yarı özerk hareketli robotun tasarımı ve gerçekleştirilmesi
Designing and implementation of semi autonomous moving robot with object recognition system connected to an android device through wireless communication
MAJEED A.MOHSIN ABDULMAJEED ABDULMAJEED
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. LEVENT SEYFİ
- Bulut tabanlı derin öğrenme kullanarak insansız hava araçları için gerçek zamanlı nesne algılama
Real-time object detection for unmanned aerial vehicles using cloud-based deep learning
MEHMET BİLGE HAN TAŞ
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULSAMET HAŞILOĞLU