Object Recognition System-on-Chip Using the Support Vector Machines

Object Recognition System-on-Chip Using the Support Vector Machines

Tác giả: Roberto Reyna-Rojas, Dominique Houzet, Daniela Dragomirescu, Florent Carlier, Salim Ouadjaout

Lĩnh vực: EURASIP Journal on Applied Signal Processing

Nội dung tài liệu:

Nghiên cứu này đề xuất thiết kế một nền tảng hệ thống-trên-chip (SoC) dành cho xử lý tín hiệu và hình ảnh kỹ thuật số, được tối ưu hóa để thực hiện hiệu quả các phép toán nhân-tích lũy (MAC) trên vector/ma trận. Mục tiêu thứ hai là triển khai một phương pháp mạng nơ-ron đầy hứa hẹn gần đây, đó là máy vector hỗ trợ (SVM), để xây dựng một hệ thống thị giác. Với một nền tảng SoC có khả năng tái cấu hình và lập trình như vậy, có thể triển khai bất kỳ chức năng SVM nào dành cho bất kỳ vấn đề nhận dạng đối tượng nào. Mục tiêu cuối cùng là tự động tái cấu hình nền tảng SoC, dựa trên kết quả của giai đoạn học trên cơ sở dữ liệu đối tượng, cho phép nhận dạng hầu hết mọi đối tượng mà không cần lập trình thủ công. Việc nhận dạng có thể thuộc bất kỳ loại nào, từ dữ liệu hình ảnh đến dữ liệu tín hiệu. Hệ thống như vậy là một bộ phân loại tự động đa mục đích. Nhiều ứng dụng có thể được xem xét như một bài toán phân loại, nhưng thường được xử lý cụ thể để tối ưu hóa chi phí của giải pháp đã triển khai. Mặc dù chi phí của tháp tiếp cận này quan trọng hơn so với một giải pháp chuyên dụng, nhưng trong tương lai gần, hàng trăm triệu cổng sẽ trở nên phổ biến và phải chăng so với chi phí thiết kế. Những gì chúng tôi đề xuất ở đây là một mạng nơ-ron phân loại đa mục đích được triển khai trên một nền tảng SoC có khả năng tái cấu hình. Phiên bản đầu tiên được trình bày ở đây bị giới hạn về kích thước và do đó về hiệu suất nhận dạng đối tượng, nhưng có thể được nâng cấp dễ dàng theo sự cải tiến của công nghệ.

Mục lục chi tiết:

• 1. INTRODUCTION
• 2. THE SUPPORT VECTOR MACHINES
• 3. COMPLEXITY AND PERFORMANCES
• 3.1. Complexity
• 3.2. Performances
• 3.3. Learning performances
• 4. APPLICATIONS
• 4.1. Detection and localization of matrix barcodes
• 5. PARALLEL NEURAL ARCHITECTURES
• 6. THE OBJECT RECOGNITION SYSTEM
• 7. THE SOC PLATFORM ARCHITECTURE
• 8. RESULTS
• 8.1. The choice on SVM parameters
• 8.2. The choice of the hardware parameters
• 8.3. Prototyping platform
• 9. CONCLUSION
• ACKNOWLEDGEMENTS
• REFERENCES