Исследование аппаратно-реализованных сверточных нейронных сетей класса U-Net; Известия Томского политехнического университета [Известия ТПУ]. Промышленная кибернетика; Т. 1, № 1
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Промышленная кибернетика: рецензируемый научный журнал/ Национальный исследовательский Томский политехнический университет.— .— Томск: ТПУ, 2023-.— 2949-5407 Т. 1, № 1.— 2023.— С. 7-16 |
|---|---|
| Další autoři: | , , , |
| Shrnutí: | Разработаны и программно-реализованы две сверточные нейронные сети класса U-Net: модификация классической U-Net и U-Net c дилатационными свертками. Для обучения и тестирования сверточных нейронных сетей использованы датасеты на основе снимков с беспилотного летательного аппарата деревьев пихты, поврежденных уссурийским полиграфом. В зависимости от степени повреждения на снимках присутствуют деревья четырех классов и фон. Полученные при обучении весовые коэффициенты для каждой из сверточных нейронных сетей затем использовались при аппаратной реализации сверточных нейронных сетей на программируемой логической интегральной схеме системы на кристалле Zynq 7000 (Kintex FPGA) компании Xilinx. Приведены результаты исследования точности сегментации и производительности каждой аппаратно-реализованной на программируемой логической интегральной схеме сверточной нейронной сети The authors have developed and implemented two convolutional neural networks of the U-Net class: a modification of the classical U-Net and a U-Net with dilated convolutions. For training and testing convolutional neural networks, data sets were used based on images from an unmanned aerial vehicle of fir trees damaged by the Ussuri polygraph. Depending on the degree of damage, the images contain trees of four classes and a background. The weights obtained during training for each of convolutional neural network were then used in the hardware implementation of the convolutional neural networks on a programmable logic integrated circuit of the Xilinx Zynq 7000 (Kintex FPGA) system-on-chip. The paper introduces the results of the study of segmentation accuracy and performance of each convolutional neural network implemented on programmable logic integrated circuits Текстовый файл |
| Jazyk: | ruština |
| Vydáno: |
2023
|
| Témata: | |
| On-line přístup: | http://earchive.tpu.ru/handle/11683/81868 https://doi.org/10.18799/29495407/2023/1/4 |
| Médium: | Elektronický zdroj Kapitola |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=674715 |
MARC
| LEADER | 00000naa2a2200000 4500 | ||
|---|---|---|---|
| 001 | 674715 | ||
| 005 | 20241209125323.0 | ||
| 090 | |a 674715 | ||
| 100 | |a 20240919d2023 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 200 | 1 | |a Исследование аппаратно-реализованных сверточных нейронных сетей класса U-Net |d Study of hardware-implemented convolutional neural networks of the U-Net class |z eng |f И. В. Зоев, К. А. Маслов, Н. Г. Марков, Е. А. Мыцко | |
| 320 | |a Список литературы: с. 13 (17 назв.) | ||
| 330 | |a Разработаны и программно-реализованы две сверточные нейронные сети класса U-Net: модификация классической U-Net и U-Net c дилатационными свертками. Для обучения и тестирования сверточных нейронных сетей использованы датасеты на основе снимков с беспилотного летательного аппарата деревьев пихты, поврежденных уссурийским полиграфом. В зависимости от степени повреждения на снимках присутствуют деревья четырех классов и фон. Полученные при обучении весовые коэффициенты для каждой из сверточных нейронных сетей затем использовались при аппаратной реализации сверточных нейронных сетей на программируемой логической интегральной схеме системы на кристалле Zynq 7000 (Kintex FPGA) компании Xilinx. Приведены результаты исследования точности сегментации и производительности каждой аппаратно-реализованной на программируемой логической интегральной схеме сверточной нейронной сети | ||
| 330 | |a The authors have developed and implemented two convolutional neural networks of the U-Net class: a modification of the classical U-Net and a U-Net with dilated convolutions. For training and testing convolutional neural networks, data sets were used based on images from an unmanned aerial vehicle of fir trees damaged by the Ussuri polygraph. Depending on the degree of damage, the images contain trees of four classes and a background. The weights obtained during training for each of convolutional neural network were then used in the hardware implementation of the convolutional neural networks on a programmable logic integrated circuit of the Xilinx Zynq 7000 (Kintex FPGA) system-on-chip. The paper introduces the results of the study of segmentation accuracy and performance of each convolutional neural network implemented on programmable logic integrated circuits | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |0 672190 |9 672190 |t Известия Томского политехнического университета [Известия ТПУ]. Промышленная кибернетика |o рецензируемый научный журнал |f Национальный исследовательский Томский политехнический университет |c Томск |n ТПУ |d 2023- |x 2949-5407 | |
| 463 | 1 | |0 674707 |9 674707 |t Т. 1, № 1 |d 2023 |v С. 7-16 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a сверточные нейронные сети | |
| 610 | 1 | |a программируемая логическая интегральная схема | |
| 610 | 1 | |a аппаратно-реализованные сверточные нейронные сети | |
| 610 | 1 | |a U-Net | |
| 610 | 1 | |a convolutional neural networks | |
| 610 | 1 | |a programmable logic integrated circuit | |
| 610 | 1 | |a hardware-implemented convolutional neural networks | |
| 701 | 1 | |a Зоев |b И. В. |c специалист в области информатики и вычислительной техники |c программист Томского политехнического университета |f 1993- |g Иван Владимирович |9 19449 | |
| 701 | 1 | |a Маслов |b К. А. |g Константин Андреевич | |
| 701 | 1 | |a Марков |b Н. Г. |c российский специалист в области информатики и вычислительной техники |c профессор Томского политехнического университета, доктор технических наук |f 1950- |g Николай Григорьевич |9 10989 | |
| 701 | 1 | |a Мыцко |b Е. А. |c специалист в области информатики и вычислительной техники |c программист Томского политехнического университета |f 1991- |g Евгений Алексеевич |9 16793 | |
| 801 | 0 | |a RU |b 63413507 |c 20240919 | |
| 850 | |a 63413507 | ||
| 856 | 4 | |u http://earchive.tpu.ru/handle/11683/81868 |z http://earchive.tpu.ru/handle/11683/81868 | |
| 856 | 4 | |u https://doi.org/10.18799/29495407/2023/1/4 |z https://doi.org/10.18799/29495407/2023/1/4 | |
| 942 | |c CF | ||