[صفحه اصلی ]   [ English ]  
بخش‌های اصلی
صفحه اصلی::
مدیریت دانشکده::
درباره دانشکده::
معرفی افراد::
امور آموزش ::
امور پژوهش::
اخبار دانشکده::
فضاهای آموزشی و تحقیقاتی::
تسهیلات پایگاه::
ارتباط با صنعت::
لینک های مفید::
تماس با ما::
گروه های دانشجویی::
::
مصاحبه تخصصی دکترای برق 98
98
..
مراکز تحقیقاتی و پزوهشی
مرکز تست و پایش ماشین های الکتریکی

مرکز تحقیقات نانوپترونیکس 

پژوهشکده سبز  

پژوهشکده الکترونیک 

آزمایشگاه تحقیقاتی الکترونیک قدرت 

قطب علمی اتوماسیون و بهره برداری از سیستمهای قدرت 

مجله مهندسی برق و الکترونیک 

پژوهشکده مهندسی و فناوری عصبی ایران  

آزمایشگاه تحقیقاتی آنتن 

مرکز مطالعات راهبردی وبین الملل فاوا

..
پیوند با سیستم های دانشگاه

AWT IMAGE
AWT IMAGE

AWT IMAGE

AWT IMAGE

AWT IMAGE

AWT IMAGE

..
گواهینامه HSE
..
جستجو در پایگاه

جستجوی پیشرفته
..
نظرسنجی
کدام بخش از سایت دانشکده مهندسی برق بیشتر مورد استفاده شما قرار می گیرد؟
آموزش و اطلاعیه های آموزشی
پژوهش و اطلاعیه های پژوهشی
اطلاعات دانشکده و اساتید
اخبار
اکثر موارد موجود در سایت
   
..
نظرسنجی
ارزیابی شما از سایت دانشکده مهندسی برق چیست؟
اطلاعات ارائه شده در حد کفایت است.
اطلاعات ارائه شده مطلوب است ولی نیاز به اطلاعات بیشتر می باشد.
اطلاعات ارائه شده کافی نیست.
   
..
درج نظر
به نظر شما کمبودهای سایت دانشکده برق چیست و برای رفع آن ها چه اقداماتی باید انجام شود؟ برای درج نظر کلیک نمایید.
..
:: دفاعیه آقای سینا اسدیان زرگر ::
 | تاریخ ارسال: 1398/6/24 | 
چکیده
اخیرا با گسترش شبکه‌های اجتماعی و بارگزاری انبوهی از تصاویر، شناسایی فعالیت انسان از تصاویر ثابت، به یک زمینه‌‌ی تحقیقاتی مهم در بینایی کامپیوتر و تشخیص الگو تبدیل شده است. این زمینه سعی دارد که نوع رفتار یا فعالیت انسان را از تصویر ثابت شناسایی کند. بر خلاف ویدئو، یک تصویر ثابت اطلاعات حرکتی ندارد که به وسیله ی آن نوع فعالیت توصیف شود. بنابراین نیاز است تا روش‌‌های موثری برای شناسایی نوع فعالیت از تصاویر ثابت، توسعه داده شوند. روش‌‌های یادگیری عمیق مانند شبکه‌‌های عصبی کانولوشنی، اخیرا به عنوان یک روش موثر در زمینه‌‌های مختلف یادگیری ماشین پدیدار شده‌‌اند و وقتی داده‌‌های برچسب خورده‌‌‌‌ی به اندازه کافی بزرگ، برای آموزش در دسترس باشند، می‌‌توانند درعمل دسته‌‌بندی، دقت بالایی را به ما بدهند. به دلیل پیچیدگی و میزان بالای محاسبات در شبکه‌های عصبی کانولوشنی پس از آموزش شبکه، انتخاب بستری مناسب برای شتابدهی این شبکه‌ها حائز اهمیت است. پردازنده‌های FPGA به عنوان یک بستر مطمئن برای پیاده‌سازی انواع پردازش‌ها به شمار می‌روند. این پردازنده‌ها امکان ساخت مدار مختص یک الگوریتم را مهیا می‌سازند تا الگوریتم پردازشی به بهترین شکل به مرحله اجرا برسد. اما پیاده‌سازی الگوریتم‌ها بر روی FPGA از پیچیدگی بالایی برخوردار است. در این پژوهش، ما شبکه‌‌های عصبی کانولوشنی عمیق را در تشخیص فعالیت انسان از تصاویر ثابت به کار می‌‌بریم. برای غلبه بر مشکل کمبود داده، از تکنیک انتقال یادگیری استفاده می‌‌کنیم. ما یک روش را با در نظر گرفتن شبکه‌‌های از قبل آموزش داده شده روی مجموعه داده‌‌ی ImageNet پیشنهاد می‌‌کنیم و از تکنیک ادغام لایه نرمال‌سازی در کانولوشنی برای کاهش پیچیدگی مدار بهره می‌‌بریم .در نهایت شبکه پیشنهاد شده را با دقت ۹۷/۸۲% بر روی FPGA بوسیله زبان‌های سطح بالا پیاده می‌کنیم.
دفعات مشاهده: 151 بار   |   دفعات چاپ: 13 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر

کلیه حقوق مادی و معنوی این سایت متعلق به دانشکده مهندسی برق دانشگاه علم و صنعت ایران می باشد . نقل هرگونه مطلب با ذکر منبع بلامانع می باشد .
Persian site map - English site map - Created in 0.12 seconds with 54 queries by YEKTAWEB 4044