Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Μελέτη ενός περιστροφικά αμετάβλητου και υλοποιήσιμου σε υλικό συνελικτικού νευρωνικού δικτύου με χρήση αριθμητικής CORDIC

Michail Sotirios

Πλήρης Εγγραφή


URI: http://purl.tuc.gr/dl/dias/D10A98E6-AFA7-499F-BB74-CC4B5A02BE95
Έτος 2024
Τύπος Διπλωματική Εργασία
Άδεια Χρήσης
Λεπτομέρειες
Βιβλιογραφική Αναφορά Σωτήριος Μιχαήλ, "Μελέτη ενός περιστροφικά αμετάβλητου και υλοποιήσιμου σε υλικό συνελικτικού νευρωνικού δικτύου με χρήση αριθμητικής CORDIC", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024 https://doi.org/10.26233/heallink.tuc.98959
Εμφανίζεται στις Συλλογές

Περίληψη

Στην παρούσα διπλωματική εργασία παρουσιάζεται μια προσέγγιση για την ενίσχυση της αμετάβλητης ως προς την περιστροφή των εικόνων εισόδου συμπεριφοράς των Νευρωνικών Δικτύων Συνελικτικής Επεξεργασίας (CNN), μέσω της ενσωμάτωσης ενός νέου αλγορίθμου Log-CORDIC για την προεπεξεργασία εικόνας. Αυτός ο αλγόριθμος προεπεξεργασίας εικόνας παρουσιάζει πλεονεκτήματα έναντι των υφιστάμενων αλγορίθμων μετασχηματισμού εικόνων από καρτεσιανή σε πολική μορφή, μέσω των υπολογιστικών πλεονεκτημάτων του αλγορίθμου CORDIC (Coordinate Rotation Digital Computer). Τα αποτελέσματα του νέου αλγορίθμου μελετώνται και συγκρίνονται με τις υπάρχουσες μεθόδους μετασχηματισμού, μαζί με τις βελτιώσεις της αποδοτικότητάς του, και διαπιστώνεται η ικανότητά του να ενισχύει το αμετάβλητο της περιστροφής σε ένα CNN, ενσωματώνοντάς σε ένα τροποποιημένο νευρωνικό δίκτυο SqueezeNet. Εστιάζοντας στα σύνολα δεδομένων CIFAR-10 και MNIST, τα πειράματα με αυτό το προσαρμοσμένο νευρωνικό δίκτυο SqueezeNet αποδεικνύουν βελτίωση της ακρίβειας ταξινόμησης για εικόνες με ποικίλους προσανατολισμούς.

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά