面向铁路行人检测的轻量化CNN模型与FPGA硬件加速实现

目录

声明

致谢

1 引言

1.1 研究的背景及意义

1.2 国内外研究现状

1.2.1 行人检测算法研究现状

1.2.2 轻量化网络研究现状

1.2.3 硬件加速研究现状

1.3 研究内容与目标

1.4 论文结构安排

2 基于CNN的行人检测算法与硬件基础

2.1 卷积神经网络模型

2.1.1 神经网络与深度学习

2.1.2 CNN中的核心层

2.1.3 激活函数与反向传播

2.2 基于CNN的目标检测算法对比分析

2.2.1 基于候选区域的CNN算法

2.2.2 基于回归的CNN算法

2.3 硬件相关知识

2.4 数据集与评价指标

2.4.1 数据集

2.4.3 评价指标

2.5 本章小结

3 基于YOLOv4的行人检测算法及其轻量化

3.1 通用的目标检测网络

3.1.1 网络结构

3.1.2 YOLOv4的输出端

3.1.3 损失函数

3.2 基于铁路场景的行人检测网络

3.2.1 网络结构

3.2.2 实验结果与分析

3.3 轻量化网络设计

3.3.1 剪枝基础知识

3.3.2 YOLOv4剪枝

3.3.3 实验结果与分析

3.4 本章小结

4 行人检测算法的硬件部署

4.1 硬件加速器

4.1.1 ZCU104硬件设备

4.1.2 Vitis AI开发工具包

4.2 深度学习处理单元

4.3 网络具体部署

4.3.1 Vitis-AI部署流程

4.3.2 硬件部署流程

4.4 实验结果分析

4.5 本章小结

5 总结与展望

5.1 总结

5.2 展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集