'

Синтез нейроподобных помехоустойчивых детекторов границ

Понравилась презентация – покажи это...





Слайд 0

Синтез нейроподобных помехоустойчивых детекторов границ магистрант Чернышев С. А. Группа № 4646М Санкт-Петербургский государственный университет аэрокосмического приборостроения 2012 Научный руководитель: Востриков А.А. 1


Слайд 1

Рис. 1 – Чистое (а) и зашумленное (б) изображение Рис. 2 – Пример обработки чистого и зашумленного изображения детектором краев CANNY Рис. 3 – Пример обработки чистого и зашумленного изображения log-фильтром Пример обработки зашумленного изображения стандартными детекторами границ 2


Слайд 2

Цели магистерской диссертации Основная цель - Исследование методологии, возможностей и параметров реализации нейронных сетей для задач обработки видеоизображений в реальном масштабе времени для встраиваемых систем управления, реализуемых средствами программируемых логических интегральных схем (ПЛИС). Основные решаемые задачи: 1) Исследование методологии синтеза нейроподобных помехоустойчивых детекторов границ; 2) Разработка архитектуры нейроконтроллера, использующего видеоинформацию для принятия решений, разработка способов обмена информацией для управления параметрами функционирования и получения результирующей информации; 3) Исследование аспектов аппаратной реализации с помощью ПЛИС; 4)Создание макета, реализующего функции нейроподобного помехоустойчивого детектора границ в реальном масштабе времени. 3


Слайд 3

Нейроноподобный детектор границ Вектор показаний сенсоров S подается на вход нейрона. Нейрон состоит из двух компонент: линейной L и нелинейной A. Линейная часть нейрона L выполняет скалярное умножение вектора S на вектор весов W. Подматрицы изображения поступающие на вход нейросети 4


Слайд 4

Методика «Обучения с учителем» Рисунок иллюстрирует процесс формирования исходной системы линейных уравнений, используемой для определения вектора весов W. С помощью матрицы изображений формируется матрица показаний сенсоров S. У этой матрицы количество строк равно количеству элементов матрицы описания исходного изображения или его фрагмента Ny*Nx. (Информация на входе нейросети) (Что хотим получить на выходе) 5


Слайд 5

Обобщение методики на набор примеров ПРОЦЕДУРА ОБУЧЕНИЯ W = (ST S + ? E) –1 ST F ПРОЦЕДУРА ДООБУЧЕНИЯ( - позволяет существенно улучшить качество функционирования детектора) Введем : Sek = ? SkTSk - матрица предыдущего опыта с k примерами Fek = ? SkTFk – вектор опыта с k примерами Wk+1 = (Sek + S k+1T Sk+1 + ? E) –1 * (Fek+Sk+1T Fk+1) W1 = (S1T S1 + ? E) –1 * S1 T F1 W2 = (S1T S1 + S 2T S2 + ? E) –1 * (S1T F1+S2T F2) Обучение по одному примеру Обучение по двум примерам СЛУЧАЙ ДВУХ ПРИМЕРОВ 6


Слайд 6

Оценка качества фильтрации с помощью нормы L1PP Норма представляет собой средний уровень разницы, приведенный к количеству пиксель в изображении, что представляется естественным отобразить в обозначении этой нормы, являющейся сокращением L1 per pixel. Норма L1 для выбора пороговых значений 7


Слайд 7

Полученные весовые коэффициенты после обучения Результаты тестирования однослойного нейрофильтра краев c использованием нейродетекторов H51 и H52 представлены на следующем слайде. H51 – обучение на прямоугольниках, H52 – дообучение H51 на кругах. Нижний детектор H52 – симметризован. При этом использовалась активационная функция для которой были назначены пороги Tmax=255 и Tmin= 30. 8


Слайд 8

Детектирование краев чистого a) и зашумленного b) изображения однослойным нейродетектором H51 (инвертированное изображение) а) H51 + A (255/30) б) H51 + A (255/30) а) H52 + A (255/30) б) H52 + A (255/30) Детектирование краев чистого a) и зашумленного b) изображения однослойным нейродетектором H52 (инвертированное изображение) Пример работы синтезированных детекторов Детектирование краев чистого a) и зашумленного b) изображения однослойным нейродетектором H51 (инвертированное изображение) а) H51 + A (255/50) б) H51 + A (255/50) Рис. 1 – Чистое (а) и зашумленное (б) изображение 9


Слайд 9

Разработка архитектуры нейроконтроллера. Обобщенная структурная схема На рисунка буквами обозначены следующие компоненты: А – видеокамеры; Б – плата с ПЛИС; В – аналитическая часть на ПЛИС; Г – решающая часть на ПЛИС; Д – JTAG UART; Е – сеть Ethernet; Ж – персональный компьютер ( в качестве вычислительного ресурса и «учителя» нейроконтроллера). Сжатие кадра видеопотока для передачи по Ethernet на «вычислительный ресурс» 10


Слайд 10

Форматы передачи информации Протокол ASKBus Формат кадра Frametype (FT) – 1 байт ( данное поле определяет назначение кадра; Serial number (SN) – 4 байтов (данное поле содержит серийный номер узла на стадии инициализации сети и соответственно серийный номер узла с которым идет обмен); Status (S) – 1 байт (содержит статус выполнения команды); Neuron Type (NT) – 1байт (данное поле определяет размерность нейроподобного помехоустойчивого детектора границ, которая может быть 3х3+1 или 5х5+1); NumberNeuron (NN) – 1 байт (данное поле определяет количество нейроподобных помехоустойчивых детекторов границ, которые будут обрабатывать входной видеопоток); NumberLayer’s (NL) – 2 байта (данное поле определяет количество слоев в нейроподобном помехоустойчивом детекторе границ); Data (данное поле содержит весовые коэффициенты нейроподобного помехоустойчивого детектора границ и пороговые значения. Длина поля вычисляется по предварительно полученным полям NN и NT, их перемножением); CheckSum (CS) – 4 байта (контрольная сумма кадра. Используется для проверки правильности принятого кадра и содержит сумму предыдущих байтов). 11


Слайд 11

На параллельный сумматор ADD подаются значения с умножителей, а так же свободный весовой коэффициент Wсв. Поскольку в умножителях фирмы ALTERA предел перемножения – 4 пары значений, а необходимо выполнить 25 перемножений весовых коэффициентов со значениями пикселей входного видеопотока, организуется один дополнительный умножитель для перемножения одной пары значений. Структурная схема реализации аппаратной реализации нейрона 5х5+1 12


Слайд 12

Преобразование весов для представления на аппаратном уровне Ниже приведем пример преобразования вещественных значений весовых коэффициентов в удобный вид для их использования в аппаратной реализации. Как видно результаты вполне идентичные. Для сокращения времени расчетов был написан скрипт в MATLAB, который производит необходимые вычисления и выводит результат в шестнадцатеричном виде. 13


Слайд 13

Структура IP-Core (модуля) нейроподобного помехоустойчивого детектора границ Top-level Neuron-level Сдвиговые регистры Умножитель- сумматор Параллельный сумматор Входной видеопоток Выходной видеопоток IP-Core описывался на Verilog, умножитель, сдвиговый регистр, сумматор - сгенерировали при помощи MegaWizard и подключили в описываемое ядро. Интеграция на шину Avalon Управление пороговым значением и способом отображения (обычный или инверсный) 14


Слайд 14

Демонстрация рабочего стенда 15 Оценка задействованных ресурсов интегральной схемы программируемой логики и быстродействия реализованного детектора границ Оценка задействованных ресурсов


Слайд 15

Заключение Наиболее существенные результаты работы (научные, проектные): 1)Подтверждены эффективность применения нейронных сетей для задач обработки зашумленных изображений; 2)Проведена экспериментальная проверка методики синтеза помехоустойчивых детекторов границ; 3)Разработан арифметический блок для ПЛИС фирмы Altera Corp., осуществляющий детектирование границ в видеоизображении в реальном масштабе времени; 4)Создан научно-практический задел по направлению разработок систем управления реального времени встраиваемого класса, использующих видеоинформацию; Основные практические результаты работы: 1) В работе был выполнен полный цикл создания нейроподобного помехоустойчивого детектора границ от синтеза до создания действующего макета, способного обрабатывать 25 кадров в реальном масштабе времени; 2) Предложена и реализована архитектура нейроконтроллера, использующего видеоинформацию для принятия решений, частью которого является синтезированный помехоустойчивый детектор границ; 3) Выбран и апробирован протокол обмена информацией между «вычислительным ресурсом» («учителем») и собственно нейроконтроллером. 16


×

HTML:





Ссылка: