CNN目标检测系统在嵌入式平台的设计与实现

发布时间：2020-09-10 09:09

　　目标检测是计算机视觉领域的研究热点,在智能交通、智能视频监控、航空航天等诸多领域有非常广阔的应用前景。目前,基于卷积神经网络的目标检测以绝对的优势超过了传统的目标检测算法,但由于卷积神经网络结构复杂、计算量过大,导致其很难在资源不足、功耗低的嵌入式平台实现实时应用。因此,目前工业中常使用激光、雷达等传感器实现目标检测,价格相对高昂。YOLO作为目前性能最佳的实时目标检测模型之一,结构简单、检测速度快,相比其它卷积神经网络模型而言更适合应用到低功耗的嵌入式平台。此外,通过分析GPU、ASIC、FPGA三种芯片在功耗、价格等多方面的优劣,最终选用ARM+FPGA硬件架构的Zynq-7020嵌入式平台设计和实现基于Tiny-YOLO的目标检测系统。本文主要工作包括:1.权衡计算延时和精度损失,提出了8位整型量化推理方案来有效缓解嵌入式平台计算资源和存储资源不足的问题,用整型乘法运算模拟浮点型乘法运算效果,优化激活函数减少量化激活值的时间,并提出相应的量化训练方案降低权重的精度损失,相比浮点型训练与推理,模型大小压缩了75%,计算速度提升2-3倍。2.根据卷积神经网络的结构特征,进行了卷积神经网络计算的软硬件划分,选择在可编程逻辑系统(PL)中设计卷积层和池化层的并行计算IP核,在双核ARM Cortex-A9的处理系统(PS)实现Softmax层和非极大值抑制算法。通过卷积层、池化层并行计算特征和Tiny-YOLO模型的数据量、计算量分析,在Zynq-7020资源限制条件下,设计了嵌入式平台的数据存储、分割、计算方法来完成卷积层和池化层算法的并行加速,相比PS端串行处理,检测速度提高约300倍。3.在Zynq-7020平台构建了目标检测系统的硬件架构,并搭建了目标检测系统的软件运行环境,在上述工作的基础上通过软硬件协同设计,实现了Tiny-YOLO模型的实时目标检测。本文设计立足于嵌入式平台的目标检测系统研究,权衡速度与精确度,最终实现了低成本、高实时性的目标检测系统。在SDSoC开发环境下的硬件仿真表明,片上总功率仅只有2.9W,目标检测速度达到23FPS,达到了实时目标检测的应用需求。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TN791;TP183
【部分图文】：

过程图,参数,过程,神经元

电子科技大学硕士学位论文其中ix 表示输入神经元，ia 表示输出神经元。图 2-1（a）是传统的全连接示意图，两层的神经元之间存在 55个连接，即需要 55个权值参数，图 2-1（b）是局部连接示意图，每个输出神经元只和相邻的几个神经元相连接。可看出卷积神经网络的局部连接特征可很大程度上减小网络的参数规模，降低了网络参数的存储压力，提高了计算效率。权值共享指的是在特征映射时，即在相同的输出特性映射中使用相同的参数进行运算，进一步减少了参数数量，而且整张图片共享特征检验器，特征提取效果会更好。此外，权值共享的另一个重要优点是提取特征时不用考虑局部特征的位置，很大程度上保证了特征的位移不变性，从而提高网络的泛化能力。局部感知结合权值共享，卷积神经网络的参数大幅度减少很大程度上解决了传统神经网络的全连接方式造成的参数冗余问题，参数减少过程如图 2-2 所示。图中每一种颜色代表一组参数。

特征图,激活函数,小矩阵

(a)Sigmoid 函数 (b)tanh 函数 (c)ReLU 函数图 2-9 几种常见的激活函数2.2.4 池化层卷积层后面一般都紧接一个池化层，池化层也称下采样层，在降低数据维度的同时保留有用信息。池化层的计算比较简单，相当于把特征图划分成若干个n n的子区域，对每个的小矩阵进行聚合统计，选取某一点是输出作为该区域的输出，较常见的有平均池化和最大池化。平均池化是求该区域的平均值作为该区域的输出。最大池化是选取该个区域的最大值作为该区域的输出。若选取 2×2 的采样核（即把图像划分成 2×2 的小矩阵），步长为 2，两种池化方式的输出结果如图 2-10 所示。244354124453最大池化

示意图,目标检测,边界框,过程

图 2-17YOLOv2 目标检测过程示意图YOLOv2 包含 19 个卷积层和 5 个池化层，去掉全连接层，转为使用 anchor box预测边界框，anchor box是在训练过程中用基于 IOU（边界框之间的交集与并集的比值）的 K-means 聚类方法得到的。下面介绍 YOLOv2 中的几种关键技术和思想。（1）置信度（Confidence）置信度是为了反映预测的边界框内是否有待检测对象，以及边界框内所预测对象的准确度的一个综合得分。置信度可表示为公式(2-7)： truth truthpred predCo nfidence P Class | Object P(Object) IoU P IoUi i Class (2-7)公式 2-7 中，P Class |Object i表示边界框中有目标的条件下，目标属于第 i类的概率，P(Object)表示边界框中有目标，truthpredIoU 表示预测的边界框与真实标注的边界框的 IOU。当目标的中心点落在网格范围内时，P(Object)=1，反之，P(Object)=0。（2）网络输出

【相似文献】