基于深度学习算法的智能识别芯片设计与实现

发布时间：2020-04-09 19:06

【摘要】：随着互联网和摩尔定律的发展,数据获取的便捷和硬件计算力的提升使得深度学习算法迅速发展,同时,目标识别技术也由于深度学习算法的深化融入得到巨大的进步。目标识别技术有着丰富的应用场景,有在云端计算的安防监控和互联网的商品识别,也有移动嵌入式设备中的实时识别追踪和地图构建。先进的目标识别算法大多基于深度学习,其计算量巨大,这给资源受限的嵌入式设备带来极大的挑战。考虑到与云端之间的数据安全,嵌入式设备应该具备本地处理目标识别算法的能力。一般的嵌入式设备资源受限且不具备专门的CNN(Convolutional Neural Network,卷积神经网络)加速硬件,不能满足实时本地处理的需求。所以,研究与设计一款基于深度学习算法的智能识别芯片具有重大意义。本文将围绕硬件架构、性能、硬件利用率、功耗、片内外访问量等方面,开展基于深度学习算法的智能识别芯片设计与实现。主要工作有:(1)深入研究与分析CNN的计算特点,设计CNN硬件加速模块和存储架构。本架构支持混合数据复用模式,可以有效减少数据片内外访问量,进而减少系统功耗。CNN硬件加速模块拥有高计算并行度,体现在处理单元矩阵对二维卷积的高效计算。CNN硬件加速模块的寄存器矩阵层结构把卷积层的卷积、批标准化、激活函数和池化层的计算操作合并,除了增强数据复用,还可以加速卷积层与池化层的计算过程。(2)本文提出一个利用上述CNN硬件加速模块构建的识别系统,其中识别算法为YOLOv2-tiny。然后进行系统的定点数测试,并且分析软硬件协同设计,充分发挥不同硬件的串并计算优势。除此之外,本文针对识别系统中的预处理、后处理和视频流等模块给出详尽的硬件方案以及性能分析。(3)除了完成CNN硬件加速模块和存储架构的Verilog电路设计与仿真,本文还给出DC和ICC等EDA工具的专用芯片后端设计过程,分析CNN硬件加速模块的芯片功耗、面积和时序报告信息。(4)本文以YOLOv2-tiny算法作为CNN参考标准,使用Xilinx的FPGA对CNN硬件加速模块和存储系统进行设计和仿真。由FPGA开发软件Vivado的仿真和实现结果得知,本设计在100MHz的频率下,性能可达9.06 GMACs,数据精度为32位和16位定点数,硬件运行功耗为6.525W,同时,本文提出的识别系统对480p格式图片的理论处理速度可达3.63fps。由DC和ICC的时序报告得知,CNN硬件加速模块的芯片频率可以到达100MHz,后端设计后芯片面积为3.5mm×3.5mm,功耗仅为204mW。
【图文】：

算法流程,边界盒

YOLO 是最先进的实时物体识别系统。该项目开源，编程语言为 C 语言，现在发展到第三个版本。2.1.1 YOLOv1 简介YOLOv1 的创新点在于将目标识别转换成边界盒和相关类别概率的回归问题。处理步骤是端到端的，只需要在框架中将图像前向传播一次即可得出边界盒和类别概率。R-CNN 使用区域建议的方法来产生潜在的边界盒，接着边界盒在分类器中运行，然后后处理选取边界盒，消除重复的识别结果，最后根据场景的其他目标重新赋予边界盒分数。与 R-CNN 不同的是，YOLOv1 把目标检测简化成一个回归问题，把传统算法的分级操作合并，取得处理速度的提升。如图 2-1 所示，YOLOv1 识别系统将目标识别分成三部：图像缩放，CNN 和 NMS（Non-Maximum Suppression，非最大值抑制）[33]。系统首先把输入图像缩放成448×448，然后图像在 CNN 中前向传播，最后根据模型的置信分数用 NMS 算法把识别结果筛选出来。

函数,激活函数,广东工业大学,硕士学位论文

广东工业大学硕士学位论文性激活函数和非线性激活函数[37]。如果神经网络只使用线性激活函数数多深，整个网络的信号表达也只能是简单的线性函数。所以为了增络的表达能力，，需要引入非线性激活函数。常用的非线性激活函数有 sReLu 和 leaky ReLU。YOLOv2-tiny 使用的是 leaky ReLU，公式和函数式(2.11)和图 2-6。 ( ) = ( > )
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN402;TP18

【相似文献】