Отрывок: В. Компьютерная оптика, 2019, том 43, №5 863 Обучение СНС производилось в Matlab R2017b с помощью инструмента Neural Pattern Recognition Toolbox. Вычисления производились на ПК с процес- сором Intel(R) Core(TM) i7-4790K CPU @ 4.00 ГГц с 16 ГБ оперативной памяти и 64-битной операционной си- стемой Windows 10. Для обучения использовано 161 изображение из 8 классов [33]. Нейронная сеть обу- чена за 30 итераций в течение 57 секунд. Рис. 4. Предлагаемая архитектура СНС В программе M...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Червяков, Н.И. | - |
dc.contributor.author | Ляхов, П.А. | - |
dc.contributor.author | Нагорнов, Н.Н. | - |
dc.contributor.author | Валуева, М.В. | - |
dc.contributor.author | Валуев, Г.В. | - |
dc.date.accessioned | 2019-11-28 15:14:30 | - |
dc.date.available | 2019-11-28 15:14:30 | - |
dc.date.issued | 2019-10 | - |
dc.identifier | Dspace\SGAU\20191117\80246 | ru |
dc.identifier.citation | Червяков, Н.И. Аппаратная реализация свёрточной нейронной сети с использованием вычислений в системе остаточных классов / Н.И. Червяков, П.А. Ляхов, Н.Н. Нагорнов, М.В. Валуева, Г.В. Валуев // Компьютерная оптика. – 2019. – Т. 43, № 5. – С. 857-868. – DOI: 10.18287/2412-6179-2019-43-5-857-868 | ru |
dc.identifier.uri | https://dx.doi.org/10.18287/2412-6179-2019-43-5-857-868 | - |
dc.identifier.uri | http://repo.ssau.ru/handle/Zhurnal-Komputernaya-optika/Apparatnaya-realizaciya-svertochnoi-neironnoi-seti-s-ispolzovaniem-vychislenii-v-sisteme-ostatochnyh-klassov-80246 | - |
dc.description.abstract | Современные архитектуры свёрточных нейронных сетей являются весьма ресурсозатратными, что ограничивает возможности их широкого практического применения. В статье предложена архитектура свёрточной нейронной сети, разделённой на аппаратную и программную части для увеличения производительности вычислений. Для реализации свёрточного слоя нейронной сети в аппаратной части использована модулярная арифметика с целью сокращения ресурсозатрат. Предложен численный метод квантования коэффициентов фильтров свёрточного слоя сети для минимизации влияния шума квантования на результат вычислений в системе остаточных классов и определения разрядности коэффициентов. Данный метод основан на масштабировании коэффициентов на фиксированное количество бит и округлении к большему и к меньшему. Используемые операции позволяют уменьшить ресурсы при аппаратной реализации за счёт простоты их выполнения. Все вычисления в свёрточном слое сети выполняются над числами в формате с фиксированной точкой. Программное моделирование с использованием Matlab 2017b показало, что свёрточная нейронная сеть с минимальным количеством слоёв может быть быстро и успешно обучена. Аппаратное моделирование с использованием field-programmable gate array Kintex7 xc7k70tfbg484-2 показало, что использование системы остаточных классов в свёрточном слое нейронной сети позволяет снизить аппаратные затраты на 32,6 % по сравнению с традиционным подходом, основанным на двоичной системе счисления. Результаты исследования могут быть применены при создании эффективных систем видеонаблюдения, для распознавания рукописного текста, лиц, объектов и местности. | ru |
dc.description.sponsorship | Работа выполнена при финансовой поддержке базовой части государственного задания (№2.6035.2017/БЧ), Российского фонда фундаментальных исследований (проекты №18-07-00109 А, №19-07-00130 А и №18-37-20059 мол-а-вед), Совета по грантам Президента Российской Федерации (проект СП-2245.2018.5). | ru |
dc.language.iso | rus | ru |
dc.publisher | Новая техника | ru |
dc.relation.ispartofseries | 43;5 | - |
dc.subject | свёрточные нейронные сети | ru |
dc.subject | обработка изображений | ru |
dc.subject | распознавание образов | ru |
dc.subject | система остаточных классов | ru |
dc.title | Аппаратная реализация свёрточной нейронной сети с использованием вычислений в системе остаточных классов | ru |
dc.title.alternative | Hardware implementation of a convolutional neural network using calculations in the residue number system | ru |
dc.type | Article | ru |
dc.textpart | В. Компьютерная оптика, 2019, том 43, №5 863 Обучение СНС производилось в Matlab R2017b с помощью инструмента Neural Pattern Recognition Toolbox. Вычисления производились на ПК с процес- сором Intel(R) Core(TM) i7-4790K CPU @ 4.00 ГГц с 16 ГБ оперативной памяти и 64-битной операционной си- стемой Windows 10. Для обучения использовано 161 изображение из 8 классов [33]. Нейронная сеть обу- чена за 30 итераций в течение 57 секунд. Рис. 4. Предлагаемая архитектура СНС В программе M... | - |
dc.classindex.scsti | 28.23.15 | - |
Располагается в коллекциях: | Журнал "Компьютерная оптика" |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
430519.pdf | Основная статья | 967.51 kB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.