基于深度学习的车型识别算法与DSP平台实现
| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 引言 | 第11-17页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 车型识别难点 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 深度学习在图像识别中的应用 | 第17-26页 |
| 2.1 人工神经网络的结构与应用 | 第17-20页 |
| 2.1.1 人工神经网络模型 | 第17页 |
| 2.1.2 人工神经网络的结构 | 第17-19页 |
| 2.1.3 人工神经网络的学习过程 | 第19-20页 |
| 2.1.4 人工神经网络模型在图像识别领域的应用 | 第20页 |
| 2.2 深度学习模型 | 第20-24页 |
| 2.2.1 常见深度学习模型介绍 | 第20-22页 |
| 2.2.2 卷积神经网络结构 | 第22-23页 |
| 2.2.3 卷积神经网络在图像识别领域的优势 | 第23-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 基于卷积神经网络的车型识别模型设计 | 第26-41页 |
| 3.1 软件算法设计平台 | 第26-27页 |
| 3.2 数据集预处理 | 第27-29页 |
| 3.3 车型识别网络模型设计 | 第29-37页 |
| 3.3.1 车型识别网络结构 | 第29-31页 |
| 3.3.2 车型识别网络的训练 | 第31-35页 |
| 3.3.3 实验结果分析 | 第35-37页 |
| 3.4 车型识别网络压缩 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 嵌入式车型识别系统的单核实现 | 第41-60页 |
| 4.1 硬件设计平台 | 第41-44页 |
| 4.1.1 硬件平台 | 第41-42页 |
| 4.1.2 数字信号处理器DSP简介 | 第42页 |
| 4.1.3 TMS320C6678的性能优势 | 第42-43页 |
| 4.1.4 TMS320C6678的结构介绍 | 第43-44页 |
| 4.2 嵌入式车型识别系统的单核实现 | 第44-48页 |
| 4.2.1 开发工具 | 第45页 |
| 4.2.2 车型分类识别算法的裁剪移植 | 第45-48页 |
| 4.2.3 实验结果 | 第48页 |
| 4.3 嵌入式车型识别系统内存访问优化 | 第48-52页 |
| 4.3.1 片内存储器的工作模式 | 第48-49页 |
| 4.3.2 存储器访问优化 | 第49-51页 |
| 4.3.3 优化结果 | 第51-52页 |
| 4.4 嵌入式车型识别系统代码级优化 | 第52-58页 |
| 4.4.1 编译优化 | 第52-53页 |
| 4.4.2 指令调度优化 | 第53-58页 |
| 4.4.3 优化结果 | 第58页 |
| 4.5 单核优化结果 | 第58-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 嵌入式车型识别系统的多核并行优化 | 第60-70页 |
| 5.1 嵌入式车型识别系统的多核实现 | 第60-67页 |
| 5.1.1 多核架构 | 第60-62页 |
| 5.1.2 并行处理模型 | 第62-63页 |
| 5.1.3 共享资源仲裁 | 第63-64页 |
| 5.1.4 多核之间的数据共享 | 第64-65页 |
| 5.1.5 核间通信机制 | 第65-66页 |
| 5.1.6 Cache一致性 | 第66-67页 |
| 5.2 系统性能分析 | 第67-69页 |
| 5.2.1 实时性 | 第67-68页 |
| 5.2.2 低功耗 | 第68-69页 |
| 5.3 本章小结 | 第69-70页 |
| 第六章 结束语 | 第70-72页 |
| 6.1 总结 | 第70-71页 |
| 6.2 下一步工作 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 作者在学期间取得的学术结果 | 第76页 |
