Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Przegląd Elektrotechniczny

2 2021

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: deep lerning

Sortuj według:

Ogranicz wyniki do:

The automatic detection of underage troopers from live-videos based on Deep Learning

Waisi Najwan Zuhair, Abdullah Nawal Younis, Ghazal Mohammed Tala

Przegląd Elektrotechniczny

2021

R. 97, nr 9

85--88

Military service is undoubtedly among the most profound forms of service to the nation. With military service young people can develop qualities of discipline within them, but nobody should be forced to serve, and especially young children. A real-time Child Troopers detection surveillance system is built to overcome these bad acts, based on Convolutional Neural Networks (CNNs). This method is focused on the automatic face, age, and weapon detection. The proposed detection and identification system consist of many steps of process: starting with, a pre-trained deep learning model based on SSD-ResNet network to perform face detection operation. Then, an age estimation using VGG-Face model is performed, finally, a weapon detection based on MobileNetV2-SSD pretrained model. The results of these steps are combined to look for children under 18 years old with guns in the images. These models have been selected because of there fast and accurate in infering to integrate network for detecting and identifying children with weapons in images. The experimental result using global datasets of various images for faces and weapons showed that the use of this method enhances the accuracy level of detection.

Dzięki służbie wojskowej młodzi ludzie mogą rozwinąć w sobie cechy dyscypliny, ale nikt nie powinien być zmuszany do służby, a zwłaszcza małe dzieci. Zaproponowano jest system nadzoru wykrywający w czasie rzeczywistym Child Troopers, oparty na Convolutional Neural Networks (CNN). Ta metoda skupia się na automatycznym wykrywaniu twarzy, wieku i broni. Proponowany system detekcji i identyfikacji składa się z wielu etapów procesu: zaczynając od wstępnie wytrenowanego modelu głębokiego uczenia opartego na sieci SSD-ResNet do wykonywania operacji wykrywania twarzy. Następnie przeprowadzana jest estymacja wieku za pomocą modelu VGG-Face, a na koniec detekcja broni w oparciu o wstępnie wytrenowany model MobileNetV2-SSD. Wyniki tych kroków są łączone w celu wyszukania na zdjęciach dzieci poniżej 18 roku życia z bronią. Modele te zostały wybrane ze względu na szybkie i dokładne wnioskowanie do integracji sieci do wykrywania i identyfikacji dzieci z bronią na obrazach. Wyniki eksperymentalne wykorzystujące globalne zbiory danych różnych obrazów twarzy i broni wykazały, że zastosowanie tej metody zwiększa poziom dokładności wykrywania

Analysis of FPGA accelerator architecture for Fast Statistical Convolutional Neural Network in real time Emotional Recognition System

Immanuel Samson J., Manoj G., Prince Shajin, Du John Victor H.

Przegląd Elektrotechniczny

2021

R. 97, nr 7

132--134

Deep learning, an artificial intelligence area that emerged as a consequence of later developments in computerized innovation and the accessibility of data knowledge, has demonstrated its skill and adequacy in coping with complex learning problems that were previously unthinkable. (CNNs). Convolution neural network has shown the feasibility of emotional detection and acknowledging unique applications. In any case, concentrated processor activities and memory transfer speed are required, which causes general CPUs to fall short of achieving optimal execution levels. Following that, equipment quickening agents using General Processing Units (GPUs), Field Programmable Gate Array (FPGAs), and Application Specific Integrated Circuits (ASICs) were used to increase the throughput of CNNs. In addition, we include rules for improving the use of FPGAs for CNN speedup. The proposed algorithm is implemented on an FPGA platform, and results show that emotions regonition utterances of 1.25s are found in 1.85ms, consuming 85% of the resources. This illustrates the suitability of our approach for real-time Emotional Recognition device applications.

Deep learning, dziedzina sztucznej inteligencji, która pojawiła się w wyniku późniejszych postępów w skomputeryzowanych innowacjach i dostępności wiedzy na temat danych, dowiodła swoich umiejętności i adekwatności w radzeniu sobie ze złożonymi problemami uczenia się, które wcześniej były nie do pomyślenia. Neuronowa sieć konwolucyjna wykazała wykonalność wykrywania emocji i rozpoznawania wyjątkowych zastosowań. W każdym razie wymagane są skoncentrowane działania procesora i szybkość transferu pamięci, co powoduje, że ogólne procesory nie osiągają optymalnych poziomów wykonania. W celu zwiększenia przepustowości CNN, zastosowano środki przyspieszające sprzętu, wykorzystujące jednostki przetwarzania ogólnego (GPU), programowalną macierz bramek (FPGA) i układy scalone specyficzne dla aplikacji (ASIC).. Proponowany algorytm jest zaimplementowany na platformie FPGA, a wyniki pokazują, że wypowiedzi regonacji emocji o długości 1,25s znajdują się w czasie 1,85 ms, co pochłania 85% zasobów. To ilustruje przydatność naszego podejścia do aplikacji urządzeń do rozpoznawania emocji w czasie rzeczywistym