Institutional Repository
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Study of a rotationally invariant hardware implementable convolutional neural network using CORDIC arithmetic

Michail Sotirios

Simple record


URIhttp://purl.tuc.gr/dl/dias/D10A98E6-AFA7-499F-BB74-CC4B5A02BE95-
Identifierhttps://doi.org/10.26233/heallink.tuc.98959-
Languageen-
Extent95 pagesen
Extent1.4 megabytesen
TitleStudy of a rotationally invariant hardware implementable convolutional neural network using CORDIC arithmeticen
TitleΜελέτη ενός περιστροφικά αμετάβλητου και υλοποιήσιμου σε υλικό συνελικτικού νευρωνικού δικτύου με χρήση αριθμητικής CORDICel
CreatorMichail Sotiriosen
CreatorΜιχαηλ Σωτηριοςel
Contributor [Thesis Supervisor]Dollas Apostolosen
Contributor [Thesis Supervisor]Δολλας Αποστολοςel
Contributor [Committee Member]Ioannidis Sotiriosen
Contributor [Committee Member]Ιωαννιδης Σωτηριοςel
Contributor [Committee Member]Zervakis Michailen
Contributor [Committee Member]Ζερβακης Μιχαηλel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
DescriptionA thesis submitted in fulfillment of the requirements for the Diploma of Electrical and Computer Engineering in the School of Electrical and Computer Engineering, Technical University of Creteen
DescriptionΔιπλωματική εργασία η οποία υποβλήθηκε στη σχολή ΗΜΜΥ του Πολ. Κρήτης για τη πλήρωση των προϋποθέσεων λήψης του διπλώματος Ηλεκτρολόγου Μηχανικού και Μηχανικού Υπολογιστώνel
Content SummaryIntroduced in this thesis is an approach in enhancing the rotational invariance of Convolutional Neural Networks (CNNs), through integrating the novel Log-CORDIC algorithm for image pre-processing. This image pre-processing algorithm presents an advantage over existing cartesian-to-polar transform algorithms for images, through the computational advantages of the Coordinate Rotation Digital Computer (CORDIC) algorithm. The results of the novel algorithm are studied and compared with existing transform methods, along with its efficiency improvements, and its ability to enhance rotational invariance in a CNN is ascertained by integrating it into the pipeline of a customized SqueezeNet neural network. Focusing on the CIFAR-10 and MNIST datasets, experiments with this customized SqueezeNet neural network demonstrate an improvement in classification accuracy for images with varied orientations.en
Content SummaryΣτην παρούσα διπλωματική εργασία παρουσιάζεται μια προσέγγιση για την ενίσχυση της αμετάβλητης ως προς την περιστροφή των εικόνων εισόδου συμπεριφοράς των Νευρωνικών Δικτύων Συνελικτικής Επεξεργασίας (CNN), μέσω της ενσωμάτωσης ενός νέου αλγορίθμου Log-CORDIC για την προεπεξεργασία εικόνας. Αυτός ο αλγόριθμος προεπεξεργασίας εικόνας παρουσιάζει πλεονεκτήματα έναντι των υφιστάμενων αλγορίθμων μετασχηματισμού εικόνων από καρτεσιανή σε πολική μορφή, μέσω των υπολογιστικών πλεονεκτημάτων του αλγορίθμου CORDIC (Coordinate Rotation Digital Computer). Τα αποτελέσματα του νέου αλγορίθμου μελετώνται και συγκρίνονται με τις υπάρχουσες μεθόδους μετασχηματισμού, μαζί με τις βελτιώσεις της αποδοτικότητάς του, και διαπιστώνεται η ικανότητά του να ενισχύει το αμετάβλητο της περιστροφής σε ένα CNN, ενσωματώνοντάς σε ένα τροποποιημένο νευρωνικό δίκτυο SqueezeNet. Εστιάζοντας στα σύνολα δεδομένων CIFAR-10 και MNIST, τα πειράματα με αυτό το προσαρμοσμένο νευρωνικό δίκτυο SqueezeNet αποδεικνύουν βελτίωση της ακρίβειας ταξινόμησης για εικόνες με ποικίλους προσανατολισμούς.el
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2024-03-04-
Date of Publication2024-
SubjectFPGAen
SubjectConvolutional neural networksen
SubjectMachine learningen
SubjectImage processingen
Bibliographic CitationSotirios Michail, "Study of a rotationally invariant hardware implementable convolutional neural network using CORDIC arithmetic", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2024en
Bibliographic CitationΣωτήριος Μιχαήλ, "Μελέτη ενός περιστροφικά αμετάβλητου και υλοποιήσιμου σε υλικό συνελικτικού νευρωνικού δικτύου με χρήση αριθμητικής CORDIC", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024el

Available Files

Services

Statistics