基于卷积神经网络的图像分类系统设计和实现基于ZYNQ的移动端实现

声明

摘要

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 卷积神经网络的研究现状

1．2．2 FPGA实现卷积运算研究现状

1．3 研究内容

1．4 论文结构及相关内容

第2章 FPGA及卷积神经网络算法计算模型分析

2．1 卷积神经网络

2．1．1 卷积神经网络的基本结构

2．1．2 卷积神经网络前向传播模型

2．2 FPGA技术介绍

2．2．1 FPGA基本情况

2．2．2 FPGA的结构及其设计流程

2．3 FPGA实现卷积神经网络的优势

2．3．1 卷积神经网络并行计算分析

2．3．2 相似于卷积网络运算的FPGA结构分析

2．4 本章小结

第3章 基于FPGA的卷积神经网络算法设计

3．1 系统总体结构

3．1．1 硬件平台搭建

3．1．2 卷积神经网络算法设计和实现

3．2 实验板卡介绍

3．2．1 电源与UART复用电路

3．2．2 时钟电路

3．2．3 DDR3存储电路

3．3 图像算法硬件环境搭建

3．3．1 图像采集模块

3．3．2 图像显示模块

3．3．3 Bayer转RGB模块

3．4 硬件平台系统构建

3．5 本章小结

第4章 基于FPGA的卷积神经网络算法实现

4．1 离线训练卷积神经网络模型

4．1．1 Caffe简介和开发环境搭建

4．1．2 分类识别网络结构设计和训练

4．1．3 网络参数提取

4．2 卷积神经网络算法硬件实现

4．2．1 软件方式卷积神经网络算法实现

4．2．2 编译卷积神经网络程序

4．3 卷积神经网络算法优化及实现

4．3．1 卷积神经网络算法优化策略

4．3．2 卷积神经网络算法优化后实现

4．4 本章小结

第5章 实验结果及分析

5．1 卷积神经网络算法硬件实现

5．1．1 编译完成后的工程图

5．1．2 实验结果

5．1．3 性能验证

5．1．4 资源利用率

5．2 卷积神经网络算法优化及实现

5．2．1 编译完成后的映射图

5．2．2 性能验证

5．2．3 资源利用率

5．3 实验结果对比

5．4 本章小结

结论

致谢

参考文献

攻读学位期间取得学术成果