基于卷积神经网络的人脸识别研究

人工智能的发展极大地方便了人们的生活,现代社会中,刷脸解锁、刷脸支付等通过识别人面部信息确定人的身份的现象已遍布各个领域。人脸识别的应用十分广泛,未来仍有广阔的发展前景。文章基于卷积神经网络对人脸识别进行研究,首先分析了卷积神经网络(Convolutional Neural Network,CNN)模型能够快速准确进行人面部表情识别的原理,即由于CNN的卷积层和池化层起到了滤波作用,将输入的图片进行特征提取并进行压缩,减轻了CNN运算的负担,提高了运算速度;接下来通过将K近邻法和BP神经网络框架模型与CNN模型作比较,实验证明了CNN模型在进行人面部表情识别过程中的准确度最高、速度最快。因此,CNN模型训练在人面部表情识别系统中具有较高的应用价值。     

基于FPGA的卷积神经网络硬件加速器设计

针对卷积神经网络(CNN)计算量大、计算时间长的问题,该文提出一种基于现场可编程逻辑门阵列(FPGA)的卷积神经网络硬件加速器。首先通过深入分析卷积层的前向运算原理和探索卷积层运算的并行性,设计了一种输入通道并行、输出通道并行以及卷积窗口深度流水的硬件架构。然后在上述架构中设计了全并行乘法-加法树模块来加速卷积运算和高效的窗口缓存模块来实现卷积窗口的流水线操作。最后实验结果表明,该文提出的加速器能效比达到32.73 GOPS/W,比现有的解决方案高了34%,同时性能达到了317.86 GOPS。     

一种基于卷积神经网络的环境声音分类方法

卷积神经网络(CNN)辨别频域-时域模式的能力使其适合于环境声音分类。然而数据的相对稀缺使该方法的应用受限。所以使用数据增强与卷积神经网络结合的方法来克服这一难点。首先,提出使用音频数据增强来增加训练数据,然后提出了一种卷积神经网络模型进行分类。所提出的方法对于环境声音分类的准确率达到了79.5%,这种方法既优于没有增强的CNN模型也优于具有增强的SVM模型。     

面向心电检测的混合多模卷积神经网络加速器设计

随着医疗资源日益匮乏以及人口老龄化日趋严重,心血管疾病已对人类健康造成了极大的威胁。具有心电(ECG)检测的便携式设备能有效降低心血管疾病对患者的威胁,因此该文设计了一种面向心电检测的混合多模卷积神经网络加速器。该文首先介绍了一种用于心电信号分类的1维卷积神经网络(1D-CNN)模型,随后针对该模型设计了一种高效的卷积神经网络(CNN)加速器,该加速器采用了一种多并行展开策略和多数据流的运算模式完成了卷积循环的加速和优化,能在时间上和空间上高度复用数据,同时提高了硬件资源利用率,从而提升了硬件加速器的硬件效率。最后基于Xilinx ZC706硬件平台完成了原型验证,结果显示,所设计卷积神经网络加速器消耗的资源为2247 LUTs, 80 DSPs。在200 MHz的工作频率下,该设计的整体性能可达到28.1 GOPS,并且硬件效率达到了12.82 GOPS/kLUT。     

基于近存储计算的手写数字识别实时检测阵列结构设计北大核心CSCD

卷积神经网络(convolutional neural network, CNN)作为传统神经网络的改进,已经得到了广泛的应用。然而,在CNN性能提升的同时其模型的规模不断扩大,对存储及算力的要求越来越高,基于冯·诺依曼体系结构的处理器难以达到令人满意的高处理性能。为了提升系统性能,近存储计算(near memory computing, NMC)成为了一个具有发展前景的研究方向。本文利用一种支持NMC的可重构阵列处理器实现手写数字识别,并行地实现了卷积运算;同时利用共享缓存阵列结构,减少片外存储的频繁访问。实验结果表明,在110 MHz的工作频率下,执行单个5×5卷积运算的计算速度提升了75.00%,可以在9 960μs内实现一个手写数字的识别。     

基于FPGA的声纹识别系统设计

随着生物识别技术在各行各业之中开始普遍使用,作为人类最高频的交互方式,声纹识别成为生物识别技术中一种不可替代的解决方案。本文设计了一种基于现场可编程门阵列(Field Programmable Gate Array, FPGA)的声纹识别系统。该系统基于MFCC提取的声音特征通过卷积神经网络模型进行声纹识别,并结合IP核对卷积运算进行加速,试验测试表明,该系统可以充分发挥FPGA的高密度、高效率优势,提高CNN的运行效率、优化其前馈网络结构,从而实现更快速、更精准的声纹识别。     

基于快速滤波算法的卷积神经网络加速器设计

为减少卷积神经网络(CNN)的计算量,该文将2维快速滤波算法引入到卷积神经网络,并提出一种在FPGA上实现CNN逐层加速的硬件架构。首先,采用循环变换方法设计行缓存循环控制单元,用于有效地管理不同卷积窗口以及不同层之间的输入特征图数据,并通过标志信号启动卷积计算加速单元来实现逐层加速;其次,设计了基于4并行快速滤波算法的卷积计算加速单元,该单元采用若干小滤波器组成的复杂度较低的并行滤波结构来实现。利用手写数字集MNIST对所设计的CNN加速器电路进行测试,结果表明:在xilinx kintex7平台上,输入时钟为100 MHz时,电路的计算性能达到了20.49 GOPS,识别率为98.68%。可见通过减少CNN的计算量,能够提高电路的计算性能。     

基于HOA优化卷积神经网络的英语教学质量评估方法

针对当前高校英语教学质量评价准确性不高问题，提出了一种基于蜂鸟算法(HOA)优化卷积神经网络英语教学质量评价方法。利用主成分分析方法对英语教学质量评价指标进行降维，然后针对卷积神经网络陷入局部最优的问题，采用蜂鸟优化算法对卷积神经网络参数进行优化，设计基于蜂鸟算法优化卷积神经网络的英语教学质量评价模型。结果表明，通过HOA对CNN网络参数进行优化，克服了CNN优化陷入局部最优的缺陷，可有效评价英语教学质量，且精度更高、耗时更少。     

音频标记一致性约束CRNN声音事件检测

级联卷积神经网络(CNN)结构和循环神经网络(RNN)结构的卷积循环神经网络(CRNN)及其改进是当前主流的声音事件检测模型.然而,以端到端方式训练的CRNN声音事件检测模型无法从功能上约束CNN和RNN结构的作用.针对这一问题,该文提出了音频标记一致性约束CRNN声音事件检测方法(ATCC-CRNN).该方法在CRN...     

基于改进CNN的增强现实变压器图像识别技术

研究了增强现实变压器图像识别技术,为解决增强现实中变压器图像识别问题,首先在介绍深度学习的经典模型之一,即卷积神经网络CNN的基础上,提出基于两个并行结构的改进卷积神经网络模型(改进CNN),利用改进CNN模型对增强现实摄像头扫描得到的图像进行分类,实现变压器图形化识别。与普通卷积神经网络、SIFT图像识别算法等对比,改进CNN具有更低的错误率,并对变压器图像识别的准确率更高,通过仿真实验验证了此方法的准确性。