基于视觉深度学习和车车通信的车队协同安全系统的设计与实现

发布时间：2020-06-07 10:55

【摘要】：随着交通行业的不断发展,检测道路上的车辆、行人等移动目标来提高道路驾驶的安全性得到越来越多的重视。近几年,随着深度学习的发展,计算机视觉相关的任务逐渐被深度学习所取代。对于目标检测任务,人们也开始探索利用深度学习的方式来解决。同时移动端设备作为一种无需连入网络的安全隐私计算资源,在其上实现基于深度学习技术的交通目标检测任务成为当下研究的热门话题。本文首先介绍了目标检测算法常用的几大类方法,并分析比较了各类方法的主要内容及优缺点。接着介绍了我们设计的移动端深度学习目标检测架构,主要分了并行处理层、控制层和应用层三级结构,并基于OpenCL的并行多核处理框架完成卷积层、池化层、全连接层和激活函数的实现。由于卷积层计算在整个深度学习计算期间计算量最大耗时最久,我们提出并实现了基于OpenCL内存模型的优化加速方法。对卷积输入和卷积核权重采用多核冗余的方式从全局内存预加载进本地内存和常量区中,并采用避免分支的方法来减少线程工作项的等待时间。在介绍完移动端的目标检测系统后,本文继续介绍基于IEEE 802.1 1p车车通信协议的分布式目标检测系统。采用Map-Reduce模型对卷积层和池化层进行分布式切分,在计算每层过后工作节点交换各自相邻数据。同时我们为了解决分布式系统中的由于不同工作节点计算能力不均而产生的木桶效应,设计并实现了基于指数平滑法来预测计算性能的任务重分配机制。使用指数平滑法预测各工作节点的计算能力,并根据不同的计算能力分配与之对应的计算任务,从而提升整体的分布式计算加速比。最后我们使用2到6个分布式节点进行实验,基于均分法和预测法对比了每一层卷积层的执行时延和整体的加速比。实验表明预测法在2-6个节点的时候加速比比均分法要高,对卷积层加速达到了1.95x-5.94x加速效果,而均分法只有1.69x-5.78x加速效果,在6个分布式节点均分法和预测法在整体加速上呈现性能相似效果,达到3.35x/3.36x的加速效果。
【图文】：

特性图,局部连接,特性,特征图

逦第二章目标检测算法概述逡逑特征图上。下图２－１演示了一个包含卷积层和下采样层的ＣＮＮ的完整网络，其逡逑中同样颜色的单位具有同样的权重大小。同一层中使用不同的滤波器得到了不同逡逑的特征图，后面接的池化层的则把相似的特征通过平均或者取最大值的方式融合逡逑成一个特征。一个典型的池化层单元就是计算一个特征图（或几个特征图）中相逡逑邻一小部分的最大值。经过两三次这种卷积层，，非线性单元，池化层的堆积后，逡逑后面跟全连接层或者更多的卷积层。逡逑－逡逑－逦ｐｏｏｌ邋ｓｉｚｅ逡逑特Ａ％邋％逦％…逡逑＼卷积核大小逦＼逡逑＼逦输入图像＼逡逑图２－丨邋典型ＣＮＮ网络示意图逡逑卷积神经网络有两个极其重要的特性，局部连接特性和权重共享特性。传统逡逑的神经网络都是采用全连接的方式，即把输入层到隐藏层的神经元全部连接起逡逑来，这样的方式会导致灾难性的问题一一参数量过于巨大导致网络训练极其低逡逑效。ＣＮＮ中的局部连接特性就是用来解决参数过大的问题，局部连接特性指的逡逑是卷积神经网络只通过部分连接的方式与相邻层进行交互。例如ＣＮＮ网络通过逡逑在相邻层之间的神经元之间采用局部连接的方式来获取空间相关性。换句话说，逡逑如图２－２所示

模型图,主机程序,内核程序,执行模型

逡逑ＯｐｅｎＣＬ平台模型的定义为，单个Ｈｏｓｔ主机连接一个或者多个ＯｐｅｎＣＬ设备。逡逑图３－４展示了单个Ｈｏｓｔ和多个计算设备的关系图，其中对于每一个计算设备，逡逑里面又包含了多个计算单元，每一个计算单元中则包含了多个处理节点。逡逑—Ｉｌｌｉ逦￣￣—逦—邋—｜逡逑Ｈｒ邋１．１邋＾逦Ｊ．邋—逦ＯｐｅｎＣＬ邋主机逡逑逦＾逡逑ｒ？ｉ逦／逦逦逡逑？邋■逦，邋－Ａ逡逑’逦＼逦计算设备逡逑处理节点逦计算单元逡逑图３－４邋ＯｐｅｎＣＬ平台模型图逡逑ＯｐｅｎＣＬ的执行模型主要包含以下两大类：内核程序和主机程序。内核逡逑（ｋｅｒｎｅｌ）程序是运行在单个或者多个ＯｐｅｎＣＬ设备上最为基本单位执行代码，逡逑类比于Ｃ语言中的可用于数据并行和任务并行的程序函数。主机程序则是运行逡逑在主机系统上的程序代码，其中用来定义设备信息以及用于对执行实例排队的命逡逑令队列等。逡逑ＯｐｅｎＣＬ的存储器模型如图３－５所示，由于常用的内存地址空间已经不适用逡逑于ＯｐｅｎＣＬ主机和设备中，ＯｐｅｎＣＬ对存储模型进行了重新定义。主要分为如下逡逑四个区域：全局内存块、常量内存块、本地内存块以及私用内存块。其中全局内逡逑２０逡逑
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U463.67;U495;TP391.41

【相似文献】