基于TNN的交通标志识别算法设计与FPGA验证
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 研究内容及设计指标 | 第12页 |
| 1.4 论文组织结构 | 第12-15页 |
| 第二章 交通标志识别方法概述 | 第15-27页 |
| 2.1 交通标志图像预处理 | 第15-16页 |
| 2.2 特征提取算法 | 第16-19页 |
| 2.2.1 HOG特征提取 | 第16-17页 |
| 2.2.2 LBP特征提取 | 第17-19页 |
| 2.3 分类算法 | 第19-20页 |
| 2.3.1 支持向量机 | 第19-20页 |
| 2.3.2 决策树 | 第20页 |
| 2.4 卷积神经网络算法 | 第20-26页 |
| 2.4.1 卷积神经网络概述 | 第20-23页 |
| 2.4.2 卷积神经网络的训练过程 | 第23页 |
| 2.4.3 卷积神经网络的前向传播 | 第23-24页 |
| 2.4.4 卷积神经网络的反向传播 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 张量神经网络交通标志识别算法设计 | 第27-41页 |
| 3.1 图像预处理 | 第27-28页 |
| 3.2 张量神经网络算法 | 第28-31页 |
| 3.2.1 张量分解形式 | 第28-29页 |
| 3.2.2 向量和矩阵的张量表示 | 第29-30页 |
| 3.2.3 张量分解层 | 第30页 |
| 3.2.4 张量神经网络的训练 | 第30-31页 |
| 3.3 网络结构设计 | 第31-32页 |
| 3.4 算法与网络结构的硬件优化 | 第32-33页 |
| 3.5 软件测试与分析 | 第33-39页 |
| 3.5.1 交通标志识别标准库 | 第33-34页 |
| 3.5.2 网络训练框架及训练流程 | 第34-35页 |
| 3.5.3 实验分析 | 第35-39页 |
| 3.6 本章小结 | 第39-41页 |
| 第四章 交通标志识别算法的FPGA验证 | 第41-65页 |
| 4.1 算法验证硬件平台 | 第41-44页 |
| 4.1.1 Xilinx Zynq-702N | 第41-42页 |
| 4.1.2 AXI协议 | 第42-43页 |
| 4.1.3 PL与PS传输接口 | 第43-44页 |
| 4.2 系统框架概述及设计 | 第44-45页 |
| 4.3 PS端设计 | 第45-47页 |
| 4.3.1 逻辑控制和数据格式 | 第45-46页 |
| 4.3.2 张量实现 | 第46-47页 |
| 4.4 PL端设计 | 第47-55页 |
| 4.4.1 浮点数转定点数 | 第47-48页 |
| 4.4.2 直接存取控制器 | 第48-49页 |
| 4.4.3 卷积处理单元与卷积计算阵列 | 第49-51页 |
| 4.4.4 累加树 | 第51-52页 |
| 4.4.5 缓存区与缓存区控制器 | 第52-54页 |
| 4.4.6 偏置与激活函数 | 第54页 |
| 4.4.7 状态控制器 | 第54-55页 |
| 4.5 硬件系统搭建与验证 | 第55-63页 |
| 4.5.1 硬件系统搭建 | 第56-58页 |
| 4.5.2 硬件系统验证 | 第58-63页 |
| 4.6 本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65页 |
| 5.2 展望 | 第65-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士期间取得的成果 | 第73页 |
