东南大学信息学院:朱恩、胡庆生专用集成电路课程与发展趋势

1星 需积分: 40 35 下载量 39 浏览量 更新于2024-07-17 5 收藏 62.55MB PDF 举报
本资源是一份东南大学信息科学与工程学院的专用集成电路课程讲义,由朱恩和胡庆生教授编著。课程内容涵盖了集成电路设计的基本原理和历史发展,重点讨论了微电子技术中的重要里程碑,特别是集成电路(ASIC)的发展趋势。以下是部分知识点概述: 1. **集成电路起源与发展**:课程以晶体管的发明作为起点,介绍了1947年贝尔实验室三位科学家(威廉·肖克利、沃尔特·布拉坦和约翰·巴丁)的贡献,并提及了1958年德州仪器公司Jack Kilby的首款集成电路,以及他因此获得的2000年诺贝尔物理学奖。 2. **微处理器历程**:课程详细列举了Intel公司在1971年到2000年间推出的一系列微处理器,如4004、8080、80286、80386、80486、Pentium、Pentium Pro和Pentium-4,展示了集成电路技术的飞速进步。 3. **工艺技术进步**:讲解了Intel采用的90nm、32nm、22nm等先进半导体制造工艺,以及这些工艺对处理器性能的影响,比如Intel i7处理器的四核结构,带有14亿个晶体管,以及4Gb DDR4 SDRAM的出现。 4. **处理器架构和非CPU类VLSI芯片**:介绍了Intel Pentium 4处理器的系统架构,强调了其内部复杂的功能模块,包括协处理器和高速内存接口。同时,课程还提到了非CPU类的VLSI芯片,如用于存储的高密度内存。 5. **半导体制造技术前沿**:展示了当前半导体制造商如Intel、三星、意法半导体和IBM在纳米技术方面的最新进展,这反映了半导体行业的不断创新和竞争。 通过这个课程,学生可以深入了解专用集成电路设计的基础理论,以及它在现代信息技术中的关键角色,以及技术演进背后的驱动力。对于那些希望从事芯片设计或微电子领域的专业人士来说,这份资料提供了宝贵的历史背景和实用知识。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R