基于深度学习的目标检测算法FPGA实现

发布时间：2021-06-01 22:49

　　目标检测在人工智能、医疗研究和国防安全等民用和军用领域等都应用广泛,基于深度学习的目标检测算法是利用卷积神经网络CNN（Convolutional Neural Network）提取特征并完成图像分类和定位,精度和速度相较于传统算法都大幅度提升,但卷积神经网络往往存在庞大的参数量和计算量,并且网络层参数和结构多变,这导致目标检测算法很难应用在资源有限、要求高处理速度和低功耗的嵌入式场合。相较于GPU和ASIC嵌入式平台,FPGA具有低成本、可重构、能效比高等优势,本文在FPGA硬件平台上完成基于深度学习的目标检测算法硬件加速实现,主要的研究工作如下:1.本文针对采用的ZYNQ 7100异构硬件平台,结合以CNN为核心的目标检测算法可硬件加速的分析结果,在一定的设计要求下,完成了基于软硬件协同设计思想的研究任务划分和总体架构设计。2.基于总体架构设计,本文借助Roofline模型评估了一系列典型的基于深度学习的目标检测算法在ZYNQ 7100硬件平台实现时能达到的理论性能上限,同时考虑算法检测准确率、模型复杂度等因素,最终选择了最适合部署在该平台上的目标检测算法Mobilenet-SSD... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

目标检测算法性能概况

哈尔滨工业大学工程硕士学位论文PL 端 DSP：2020 个；PS 和 PL 通信接口：AXI_ACP，AXI_HP（64bit）x4，A时钟资源: 可编程 LVDS 时钟，可用于 MGT 接口； 200 MHz LVDS oscillator (system clock)； 33.333MHz PS 端系统时钟；两个 USB 转 UART 串口，分别连接 PS 和 PL 端；SFP+ 接口 x2，QSFP+接口，USB Host 接口 x4， HDMI I2C EEPROM：容量 8Kbit。

Zynq7100的Roofline模型

【参考文献】：
期刊论文
[1]基于Zynq7000 FPGA异构平台的YOLOv2加速器设计与实现[J]. 陈辰,柴志雷,夏珺.  计算机科学与探索. 2019(10)
[2]基于FPGA的卷积神经网络加速器[J]. 余子健,马德,严晓浪,沈君成.  计算机工程. 2017(01)
[3]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[4]SoPC与嵌入式系统软硬件协同设计[J]. 唐思章,黄勇.  单片机与嵌入式系统应用. 2005(12)

博士论文
[1]基于GPU的高性能并行算法研究[D]. 白洪涛.吉林大学 2010

硕士论文
[1]基于FPGA的目标检测算法加速与实现[D]. 吴晋.北京交通大学 2018
[2]深度学习的硬件实现与优化技术研究[D]. 林楗军.哈尔滨工业大学 2017
[3]基于FPGA的深度学习加速器设计与实现[D]. 余奇.中国科学技术大学 2016



本文编号：3210308