面向智能交通的海量数据处理与存储分配策略研究
发布时间：2021-10-08 14:50
近年来,基于卷积神经网络（CNN）的方法在图像检测和识别领域取得了巨大的成功。随着交通采集技术的日益发展,采集设备每时每刻都会产生海量的交通图片数据。如何从这些海量的图片数据中提取出有价值的信息,实现数据的“增值”并以此来改善交通情况,提高交通管理水平,已成为交通领域亟待解决的一个难题。现有的图像识别方法通常先定位目标所在区域,分割有效信息,然后识别它们。在被识别的交通图像中,许多图像都具有一定的上下文感知信息,它们位置通常是固定的,且不需要重复识别相同的分割信息,例如车牌号的识别等。由于基于CNN的方法是计算密集型和资源消耗型的,很难在嵌入式系统中部署,如智能交通系统、自动驾驶汽车和智能城市等应用。且对于加速神经网络计算,以往的研究只关注卷积层的加速,而忽略了网络中的其他计算。因此,现有的方法只能加速卷积计算,但不能加速整个网络。同时在交通数据的存储分配过程中,由于传统策略没有考虑到数据的热冷问题,使得数据没有得到合理地分配,从而导致数据的读写效率低,进而影响整个交通系统的性能。针对以上问题,本文对比目前最先进的目标检测模型,并结合深度学习的异构加速技术,从优化目标检测流程和加速计算...
【文章来源】：北方工业大学北京市
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
卷积计算步骤拆解
第二章相关工作9图2-2最大池化计算示意图图2-2所示，左上角2x2的输入矩阵中最大值为1.8，则输出矩阵中的数值为1.8。重复上述操作可得输入feature map中的MaxP输出。2.1.3激活层常用的激活函数有Sigmoid、ReLU、Leaky_ReLU等等，Sigmoid常用于全连接层，ReLU、Leaky_ReLU常用于卷积层。激活函数将上层网络的结果输出作为输入，对其做非线性变换从而得到本层的输出结果。在目前最先进的卷积神经网络中，普遍使用的激活函数是ReLU(TheRectifiedLinearUnit)。ReLU激活函数收敛快，梯度求解简单。ReLU激活函数的计算公式为!"#$()=（0,）。当x的值小于等于0时，其值将归于0。对于卷积计算，增加了许多无用的0值计算，因此对于ReLU激活函数，有效输入是正数。而对于Leaky_ReLU其计算公式为%"&"(_!"#$()=(0,)+ (0,)。保留大于或等于0的值，小于0的值乘以一个极小的非负值β以保留负轴信息，因此对于Leaky_ReLU输入即为有效数据。图2-3激活函数示意图图2-3所示，右边绿色部分为ReLU激活的有效输出，橙色为无效神经元。左侧为Leaky_ReLU的输出结果，均为有效神经元。
第二章相关工作9图2-2最大池化计算示意图图2-2所示，左上角2x2的输入矩阵中最大值为1.8，则输出矩阵中的数值为1.8。重复上述操作可得输入feature map中的MaxP输出。2.1.3激活层常用的激活函数有Sigmoid、ReLU、Leaky_ReLU等等，Sigmoid常用于全连接层，ReLU、Leaky_ReLU常用于卷积层。激活函数将上层网络的结果输出作为输入，对其做非线性变换从而得到本层的输出结果。在目前最先进的卷积神经网络中，普遍使用的激活函数是ReLU(TheRectifiedLinearUnit)。ReLU激活函数收敛快，梯度求解简单。ReLU激活函数的计算公式为!"#$()=（0,）。当x的值小于等于0时，其值将归于0。对于卷积计算，增加了许多无用的0值计算，因此对于ReLU激活函数，有效输入是正数。而对于Leaky_ReLU其计算公式为%"&"(_!"#$()=(0,)+ (0,)。保留大于或等于0的值，小于0的值乘以一个极小的非负值β以保留负轴信息，因此对于Leaky_ReLU输入即为有效数据。图2-3激活函数示意图图2-3所示，右边绿色部分为ReLU激活的有效输出，橙色为无效神经元。左侧为Leaky_ReLU的输出结果，均为有效神经元。
【参考文献】：
期刊论文
[1]基于卷积神经网络加速运算单元设计[J]. 江凯,刘志哲,修于杰,田映辉,赵晨旭,吕笑松. 计算机工程与设计. 2019(12)
[2]基于FPGA的卷积神经网络硬件加速器设计[J]. 秦华标,曹钦平. 电子与信息学报. 2019(11)
[3]结合运动目标检测和ResNet的车速车型智能识别[J]. 梁栋,何佳,石陆魁,王松,刘佳. 北京交通大学学报. 2019(05)
[4]深度神经网络压缩综述[J]. 李青华,李翠平,张静,陈红,王绍卿. 计算机科学. 2019(09)
[5]基于Hadoop的图像存储和检索的研究与实现[J]. 徐振涛,林清滢. 现代计算机. 2019(26)
[6]一种移动卷积神经网络的FPGA实现[J]. 李炳辰,黄鲁. 微电子学与计算机. 2019(09)
[7]HDFS存储和优化技术研究综述[J]. 金国栋,卞昊穹,陈跃国,杜小勇. 软件学报. 2020(01)
[8]基于HDFS的分布式文件系统[J]. 刘军,冷芳玲,李世奇,鲍玉斌. 东北大学学报(自然科学版). 2019(06)
[9]基于负载预测的HDFS动态负载均衡改进算法[J]. 邵必林,王莎莎. 探测与控制学报. 2019(02)
[10]面向卷积神经网络的FPGA设计[J]. 卢丽强,郑思泽,肖倾城,陈德铭,梁云. 中国科学:信息科学. 2019(03)
硕士论文
[1]异构大数据存储方法研究[D]. 单旭.北京交通大学 2014
[2]Hadoop云存储策略的研究与优化[D]. 朱岩.广东工业大学 2013
[3]基于Hadoop的云存储平台的研究与实现[D]. 张兴.电子科技大学 2013
[4]基于HDFS的存储技术的研究[D]. 王永洲.南京邮电大学 2013
[5]基于HDFS的分布式存储研究与应用[D]. 童明.华中科技大学 2012
本文编号：3424382
【文章来源】：北方工业大学北京市
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
卷积计算步骤拆解
第二章相关工作9图2-2最大池化计算示意图图2-2所示，左上角2x2的输入矩阵中最大值为1.8，则输出矩阵中的数值为1.8。重复上述操作可得输入feature map中的MaxP输出。2.1.3激活层常用的激活函数有Sigmoid、ReLU、Leaky_ReLU等等，Sigmoid常用于全连接层，ReLU、Leaky_ReLU常用于卷积层。激活函数将上层网络的结果输出作为输入，对其做非线性变换从而得到本层的输出结果。在目前最先进的卷积神经网络中，普遍使用的激活函数是ReLU(TheRectifiedLinearUnit)。ReLU激活函数收敛快，梯度求解简单。ReLU激活函数的计算公式为!"#$()=（0,）。当x的值小于等于0时，其值将归于0。对于卷积计算，增加了许多无用的0值计算，因此对于ReLU激活函数，有效输入是正数。而对于Leaky_ReLU其计算公式为%"&"(_!"#$()=(0,)+ (0,)。保留大于或等于0的值，小于0的值乘以一个极小的非负值β以保留负轴信息，因此对于Leaky_ReLU输入即为有效数据。图2-3激活函数示意图图2-3所示，右边绿色部分为ReLU激活的有效输出，橙色为无效神经元。左侧为Leaky_ReLU的输出结果，均为有效神经元。
第二章相关工作9图2-2最大池化计算示意图图2-2所示，左上角2x2的输入矩阵中最大值为1.8，则输出矩阵中的数值为1.8。重复上述操作可得输入feature map中的MaxP输出。2.1.3激活层常用的激活函数有Sigmoid、ReLU、Leaky_ReLU等等，Sigmoid常用于全连接层，ReLU、Leaky_ReLU常用于卷积层。激活函数将上层网络的结果输出作为输入，对其做非线性变换从而得到本层的输出结果。在目前最先进的卷积神经网络中，普遍使用的激活函数是ReLU(TheRectifiedLinearUnit)。ReLU激活函数收敛快，梯度求解简单。ReLU激活函数的计算公式为!"#$()=（0,）。当x的值小于等于0时，其值将归于0。对于卷积计算，增加了许多无用的0值计算，因此对于ReLU激活函数，有效输入是正数。而对于Leaky_ReLU其计算公式为%"&"(_!"#$()=(0,)+ (0,)。保留大于或等于0的值，小于0的值乘以一个极小的非负值β以保留负轴信息，因此对于Leaky_ReLU输入即为有效数据。图2-3激活函数示意图图2-3所示，右边绿色部分为ReLU激活的有效输出，橙色为无效神经元。左侧为Leaky_ReLU的输出结果，均为有效神经元。
【参考文献】：
期刊论文
[1]基于卷积神经网络加速运算单元设计[J]. 江凯,刘志哲,修于杰,田映辉,赵晨旭,吕笑松. 计算机工程与设计. 2019(12)
[2]基于FPGA的卷积神经网络硬件加速器设计[J]. 秦华标,曹钦平. 电子与信息学报. 2019(11)
[3]结合运动目标检测和ResNet的车速车型智能识别[J]. 梁栋,何佳,石陆魁,王松,刘佳. 北京交通大学学报. 2019(05)
[4]深度神经网络压缩综述[J]. 李青华,李翠平,张静,陈红,王绍卿. 计算机科学. 2019(09)
[5]基于Hadoop的图像存储和检索的研究与实现[J]. 徐振涛,林清滢. 现代计算机. 2019(26)
[6]一种移动卷积神经网络的FPGA实现[J]. 李炳辰,黄鲁. 微电子学与计算机. 2019(09)
[7]HDFS存储和优化技术研究综述[J]. 金国栋,卞昊穹,陈跃国,杜小勇. 软件学报. 2020(01)
[8]基于HDFS的分布式文件系统[J]. 刘军,冷芳玲,李世奇,鲍玉斌. 东北大学学报(自然科学版). 2019(06)
[9]基于负载预测的HDFS动态负载均衡改进算法[J]. 邵必林,王莎莎. 探测与控制学报. 2019(02)
[10]面向卷积神经网络的FPGA设计[J]. 卢丽强,郑思泽,肖倾城,陈德铭,梁云. 中国科学:信息科学. 2019(03)
硕士论文
[1]异构大数据存储方法研究[D]. 单旭.北京交通大学 2014
[2]Hadoop云存储策略的研究与优化[D]. 朱岩.广东工业大学 2013
[3]基于Hadoop的云存储平台的研究与实现[D]. 张兴.电子科技大学 2013
[4]基于HDFS的存储技术的研究[D]. 王永洲.南京邮电大学 2013
[5]基于HDFS的分布式存储研究与应用[D]. 童明.华中科技大学 2012
本文编号：3424382
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3424382.html
最近更新
教材专著
