سایت اصلی دانشگاه
نقشه سایت
عضویت / ورود اعضاء
پست الکترونیک
۱۴۰۳ چهارشنبه ۱۷ بهمن
EN
دوباره تلاش كنيد
!!!b1!!!
!!!b1!!!
درباره دانشكده
تاريخچه دانشكده
روسای پیشین
اعضاي دانشكده
رياست دانشكده
معاونت ها
معاون آموزشي
معاون پژوهشي
معاون دانشجويي
پرسنل دانشكده
مسئول بین المللی سازی دانشکده
تحصیلات تکمیلی و امور پژوهشی
امور پژوهشی
امور تحصيلات تكميلي
امور پژوهشي و ارتقا هيات علمي
كميته ارتقا و تبديل وضعيت
راهنماي نحوه تكميل شناسنامه علمي متقاضيان ارتقاء
دستورالعمل اجرايي آيين نامه ارتقا (دستورالعمل داخلي دانشگاه اصفهان)
نحوه بارگزاری مقالات در سامانه گلستان
امتیاز مجلات مهندسی(1402)
گروه هاي آموزشي
مهندسی برق
مهندسی پزشکی
مهندسی شیمی
مهندسی مکانیک
مهندسی صنایع و آینده پژوهی
مهندسی هوافضا
گروه مهندسی برق
جلسه دفاع از پایان نامه کارشناسی ارشد خانم راضیه سیامکی
جلسه با موضوع پیاده¬سازی بهینه قطعه¬بندی معنایی بر روی سخت¬افزار مبتنی بر ZYNQ، در تاریخ چهارشنبه 26 دی 1403، برگزار می گردد.
جلسه دفاع از پایان نامه کارشناسی ارشد خانم
راضیه سیامکی
، با موضوع
پیاده¬سازی بهینه قطعه¬بندی معنایی بر روی سخت¬افزار مبتنی بر ZYNQ، از گروه مهندسی برق در تاریخ چهارشنبه 26
دی 1403، ساعت 14 دراتاق شورای 1 ساختمان انصاری برگزار می گردد.
استاد راهنما: دکتر
محمد کاظمی ورنامخواستی
چکیده:
امروزه در حوزه یادگیری عمیق فرصتهای جدیدی برای روشهای علمی پیشرفته، عملیاتهای مستقل و کاربردهای هوشمندانه برای کاربردهای گوناگون ارائه شدهاست. در بسیاری از زمینهها برای تشخیص اشیاء در تصاویر از الگوریتمهای تشخیص شی استفاده میشود اما در بعضی کاربردها مانند تشخیص تومور در تصاویر پزشکی یا خودروهای خوردان تشخیص اشیاء مفید نخواهد بود و نیاز به تشخیص اشیاء در سطح پیکسل است. از این رو قطعهبندی تصویر یک راه حل برای این دسته از کاربردها است. قطعهبندی معنایی یک فرآیند بینایی کامپیوتر است که از شبکههای عصبی کانولوشنی برای طبقهبندی اشیاء درون یک تصویر استفاده میکند. قطعهبندی معنایی کاربردهای گوناگونی در زمینه پزشکی، تشخیص آب و هوا، خودروهای خودران، پردازش سیگنالهای ترافیک و غیره دارد. باتوجه به حجم محاسبات بسیار بالای شبکههای عصبی عمیق و توان مصرفی آنها در این پژوهش از ZYNQ استفاده شدهاست. دو شبکه UNET و PIDNet با مجموعه داده cityscape و camvid برروی ZYNQ پیادهسازی شدهاند. شبکه UNET برای هر دو محیط توسعه Tensorflow و Pytorch برروی مجموعه داده camvid پیادهسازی شده و نتایج آن بررسی شدهاست. شبکه PIDNet برروی مجموعه داده cityscape در محیط Pytorch آموزش دیده و برروی ZYNQ پیادهسازی شدهاست. به دلیل سرعت کم و تاخیر بسیار، این شبکه پیشنهادی و برروی ZYNQ پیادهسازی شدهاست. در این روش پیشنهادی، دقت شبکه کمی افت داشته اما سرعت استنتاج بهبود یافتهاست. در پیادهسازی شبکه پیشنهادی، mIoU از 76.15 به 74.58 درصد افت داشته اما سرعت از 0.356 فریم بر ثانیه به 2.15 فریم بر ثانیه رسیدهاست.
تاریخ:
1403/10/19
تعداد بازدید:
145
منبع:
کلیه حقوق این پایگاه متعلق به
مرکز فناوری اطلاعات و ارتباطات دانشگاه اصفهان
می باشد.
کتابخانه مرکزی
سامانه پرداخت الکترونیک
اتوماسیون اداری
سامانه آموزشی و پژوهشی
پست الکترونیکی
راهنمای تلفن
یادگیری الکترونیکی
Powered by
Dorsa
Portal