Geri Dön

Accelerated object detection on FPGA SoC

FPGA SoC üzerinde hızlandırlmış nesne tespiti

  1. Tez No: 824257
  2. Yazar: MEHMET AYDIN KARA
  3. Danışmanlar: PROF. DR. CEM ÜNSALAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
  13. 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

  1. FPGA kullanarak şablon eşleme temelli yüz tanıyan donanımın gerçekleştirilmesi

    Implementing template matching based face recognition hardware using FPGA

    ASİYE RÜMEYSA ÜNSAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiSakarya Uygulamalı Bilimler Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SERKAN DERELİ

  2. Partially reconfigurable FPGA implementation of a real-time system

    Gerçek zamanlı bir sistemin kısmi yeniden yapılandırılabilir FPGA ile gerçekleştirilmesi

    BENGİSU TENGİLİMOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CÜNEYT FEHMİ BAZLAMAÇCI

  3. 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

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaltepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. EMİN MURAT ESİN

  4. 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

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. LEVENT SEYFİ

  5. 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

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULSAMET HAŞILOĞLU