Г.И. Бирюков – бакалавр, МГТУ им. Н.Э. Баумана

E-mail: biryukovgi@student.bmstu.ru

В.П. Жалнин – к.т.н., доцент, МГТУ им. Н.Э. Баумана E-mail: zhalninvp@bmstu.ru

Д.В. Лаптев – магистр, МГТУ им. Н.Э. Баумана

E-mail: dmytry2010@student.bmstu.ru

П.О. Репников – бакалавр, МГТУ им. Н.Э. Баумана

E-mail: rtfiof@gmail.com

Постановка проблемы. Применение сверточных нейронных сетей (СНС) в задачах распознавания образов, удаления шума, повышения разрешения изображений позволяет добиться более высоких результатов. Вместе с тем имеется еще ряд нерешенных проблем, которые включают достаточно сложную разработку и отладку алгоритма, недостаточность готовых библиотек и т.п.

Одной из главных проблем СНС является их быстродействие. Это требование является ключевым для многих применений нейронных сетей, которые требуют почти мгновенного и безошибочного результата. Один из способов увеличить этот критерий – специализированные аппаратные средства, такие как программируемые логические интегральные схемы (ПЛИС).

Цель. Разработать в среде MATLAB архитектуру СНС, распознающую разметку на автомобильной дороге в режиме реального времени, а также сравнить результативность и быстродействие полученной СНС на различных аппаратных средствах.

Результаты. Рассмотрена СНС, предназначенная для обработки в реальном времени видеопотока, которая позволила распознать дорожную разметку. Построение СНС было реализовано в среде MATLAB, которая позволяет симулировать различные модели аппаратных средств. Построение и моделирование СНС было реализовано для ПЛИС Artix-7 и ПК. Была проведена количественная оценка результатов, полученных в различных моделях, и был сделан вывод о предпочтительных аппаратных средствах для СНС.

Практическая значимость. Предложен подход к разработке и развертыванию нейронной сети, а также к использованию ПЛИС в качестве платформы для ее работы, обеспечивающей ускорение быстродействия распознавания и возможность реализации в формате ASIC.

Бирюков Г.И., Жалнин В.П., Лаптев Д.В., Репников П.О. Особенности реализации сверточных нейронных сетей на программируемой логической интегральной схеме Artix-7. Нейрокомпьютеры: разработка, применение. 2020. Т. 22. № 3. С. 26–35. DOI: 10.18127/j19998554-202003-03

1. Schmidhuber J. Deep learning in neural networks: An overview // Neural Networks. 2015. № 61. P. 85–117.
2. Deng L., Hinton G., Kingsbury B. New types of deep neural network learning for speech recognition and related applications: an overview // IEEE International Conference on Acoustics, Speech and Signal Processing. 2013. P. 8599-8603. DOI: 10.1109/CASSP.2013.6639344
3. Qiu J., Song S., Wang Y., Yang H., Wang J., Yao S., Guo K., Li B., Zhou E., Yu J., Tang T., Xu N. Going deeper with embedded FPGA platform for convolutional neural network // ACM/SIGDA International Symposium on Field-Programmable Gate Arrays. 2016. P. 26-35. DOI: 10.1145/2847263.2847265
4. Шахнов В.А., Власов А.И., Поляков Ю.А., Кузнецов А.С. Нейрокомпьютеры: архитектура и схемотехника. М.: Машиностроение. 2000. 64 с.
5. Satzoda R.K., Trivedi M.M. Vision based Lane Analysis: Exploration of Issues and Approaches for Embedded Realization // IEEE Conference on Computer Vision and Pattern Recognition. 2013. DOI: 10.1109/CVPRW.2013.91
6. Zhang С., Li P., Sun G., Guan Y., Xiao B., Cong J. Optimizing FPGA-based accelerator design for deep convolutional neural networks // ACM/SIGDA International Symposium on Field-Programmable Gate Arrays. 2015. P. 161-170. DOI: 10.1145/2684746.2689060
7. Suda N., Chandra V., Dasika G., Mohanty A., Ma Y., Vrudhula S., Seo J., Cao Y. Throughput-optimized openCL-based FPGA accelerator for large-scale convolutional neural network // ACM/SIGDA International Symposium on Field Programmable Gate. 2016. P. 16-25. DOI: 10.1145/2847263.2847276
8. Duong T. T., Pham C. C., Tran T. H.-P., Nguyen T. P., Jeon J. W. Near real-time ego-lane detection in highway and urban streets // IEEE International Conference on Consumer Electronics-Asia (ICCE-Asia). 2016. DOI:10.1109/ICCEAsia.2016.7804748
9. Sahin S., Becerikli Y., Yazici S. Neural Network Implementation in Hardware Using FPGAs. In: King I., Wang J., Chan L.W., Wang D. (Eds) Neural information processing. ICONIP. Lecture notes in Computer Science. Springer. 2006. V. 4234. P. 1105-1112.
10. Власов А.И. Аппаратная реализация нейровычислительных управляющих систем// Приборы и системы. Управление, контроль, диагностика. 1999. № 2. С. 61-65.
11. Yudin A.V., Shakhnov V.A., Usov K.A., Salmina M.A., Vlasov A.I. Design methods of teaching the development of internet of things components with considering predictive maintenance on the basis of mechatronic devices // International Journal of Applied Engineering Research. 2017. V. 12. № 20. С. 9390-9396.
12. Котельницкий А.В., Власов А.И. Применение поведенческих моделей при проектировании систем на кристалле // Инженерный вестник. 2012. № 9. С. 10.
13. Власов А.И. Нейросетевая реализация микропроцессорных систем активной акусто-и виброзащиты // Нейрокомпьютеры: разработка, применение. 2000. № 1. С. 40-44.
14. Власов А.И., Володин Е.А., Семенцов С.Г., Шахнов В.А. Электронные системы активного управления волновыми полями: история и тенденции развития // Зарубежная радиоэлектроника. Успехи современной радиоэлектроники. 2002. № 4. С. 3-23.
15. Мысловский Э.В., Власов А.И., Кузнецов А.С.Цифровые сигнальные процессоры с фиксированной точкой семейства ADSP21XX. М.: Изд-во МГТУ им.Н.Э.Баумана. 2003. Т. 2. 75 с.
16. Мысловский Э.В., Власов А.И., Меньшов К.А. Цифровые сигнальные процессоры с плавающей точкой семейства ADSP2106X. М.: Изд-во МГТУ им. Н.Э.Баумана. 2003. Т. 3. 75 с.
17. Аверьянихин А.Е., Власов А.И., Евдокимова Е.В. Иерархическая пирамидальная субдискретизация в глубоких сверточных сетях для распознавания визуальных образов // Нейрокомпьютеры: разработка, применение. 2020. (в печати).
18. Вирясова А.Ю., Власов А.И., Гладких А.А. Нейросетевые методы дефектоскопии интегральных структур // Нейрокомпьютеры: разработка, применение. 2019. Т. 21. № 2. С. 54-67. DOI: 10.18127/j19998554-201902-06
19. Власов А.И., Папулин С.Ю. Анализ данных с использованием гистограммной модели комбинации признаков // Нейрокомпьютеры: разработка, применение. 2019. Т. 21. № 5. С. 18-27. DOI: 10.18127/j19998554-201905-02
20. Луцив В.Р. Сверточные искусственные нейронные сети глубокого обучения // Оптический журнал. 2015. Т. 82. № 8. С. 11-23.
21. Ерохин Д.Ю., Ершов М.Д. Современные сверточные нейронные сети для обнаружения и распознавания объектов // Цифровая обработка сигналов. 2018. № 3. С. 64-69.
22. Горелов Д.В., Власов А.И. Современные системы распознавания регистрационных знаков транспортных средств // Труды Восьмой Всерос. конф. молодых ученых и специалистов «Будущее машиностроения России». 2015. С. 389-394.
23. Коршунова К.П. Сверточные нечеткие нейронные сети для решения классификационных задач // Нейрокомпьютеры: разработка, применение. 2017. № 3. С. 44-51.
24. Ахметзянов К.Р., Южаков А.А. Увеличение точности сверточной нейронной сети за счет возрастания количества данных // Нейрокомпьютеры: разработка, применение. 2018. № 7. С. 14-19. DOI: 10/18127/j19998554-201807-03