FPGA-oriented deep learning for earth observation image classification

Σταυριανού, Ασπασία; Stavrianou, Aspasia

dc.contributor.author	Σταυριανού, Ασπασία	el
dc.contributor.author	Stavrianou, Aspasia	en
dc.date.accessioned	2020-03-10T09:04:12Z
dc.date.available	2020-03-10T09:04:12Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/49918
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.17616
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Νευρωνικό δίκτυο	el
dc.subject	Συνελικτικό δίκτυο	el
dc.subject	Βελτιστοποίηση μνήμης	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Πλατφόρμα FPGA	el
dc.subject	ZYNG-7 ZC702	en
dc.subject	hls4ml	en
dc.subject	ML-Suite	en
dc.subject	Keras	el
dc.subject	Time profiling	en
dc.title	FPGA-oriented deep learning for earth observation image classification	en
heal.type	bachelorThesis
heal.classification	FPGA-oriented machine learning	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-11-11
heal.abstract	Στην συγκεκριμένη διπλωματική εργασία σχεδιάστηκαν νευρωνικά δίκτυα με την βοήθεια του keras στο tensorflow με στόχο την υλοποίησή τους σε πλατφόρμα FPGA. Χρησιμοποιήθηκαν και εκπαιδεύτηκαν δεδομένα από δύο διαγωνισμούς της kaggle, ένας αναγνώρισης παγόβουνων και ένας αναγνώρισης πλοίων. Για την εκπαίδευση των μοντέλων έγινε χρήση πλήρως συνδεδεμένων νευρωνικών δικτύων και συνελικτικών νευρωνικών δικτύων. Ταυτόχρονα για τα δεδομένα αναγνώρισης πλοίων που ήταν περισσότερα, μεγάλο ενδιαφέρον δόθηκε στην βελτιστοποίηση του συνελικτικού μοντέλου ως προς την μνήμη. Αυτό επιτεύχθηκε εφαρμόζοντας δύο τρόπους. Ο πρώτος ήταν αλλάζοντας την αρχιτεκτονική του δικτύου μειώνοντας έτσι τον αριθμό των παραμέτρων προς εκπαίδευση κατά 10 φορές. Ο δεύτερος ήταν η μετατροπή του τύπου των παραμέτρων από απλής ακρίβειας (float32) σε μισής ακρίβειας (float16) που έφερε επιπλέον μείωση της μνήμης. Στο δεύτερο μέρος της διπλωματικής, δοκιμάσαμε τρία εργαλεία το LeFlow, το hls4ml και της Xilinx το Machine Learning Suite για μετατροπή του μοντέλου σε μορφή συμβατή για εφαρμογή σε πλατφόρμα FPGA. Τελικά, μεγαλύτερη έμφαση δόθηκε στο εργαλείο hls4ml με το οποίο καταφέραμε να εφαρμόσουμε το μοντέλο στην πλακέτα ZYNQ-7 ZC702. Λόγω της φύσης του εργαλείου, σε πολύ μικρό χρόνο ανάπτυξης (περίπου μισό μήνα), πετύχαμε να υλοποιήσουμε το νευρωνικό δίκτυο χρησιμοποιώντας αποκλειστικά την μνήμη της προγραμματιζόμενης λογικής και με τελικό throughput 35 Images/sec.	el
heal.advisorName	Σούντρης, Δημήτριος
heal.committeeMemberName	Τσανάκας, Παναγιώτης
heal.committeeMemberName	Σούντρης, Δημήτριος
heal.committeeMemberName	Γκούμας, Γεώργιος
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Μικροϋπολογιστών και Ψηφιακών Συστημάτων VLSI	el
heal.academicPublisherID	ntua
heal.numberOfPages	115 σ.
heal.fullTextAvailability	false