基于 FPGA 部分重配置的 adaptive 与 hierarchical 卷积神经网络新颖设计
计算机视觉与模式识别
2019-09-13 v1
摘要
当今大多数使用卷积神经网络（CNNs）的视觉识别研究遵循“更深模型带来更高置信度”的信念以获取更高识别精度。同时，更深的模型带来更重的计算负担。另一方面，对于大量识别任务，系统可使用简单模型或所谓浅层网络正确分类图像。此外，CNNs 的实现面临嵌入式设备上尺寸、重量与能耗的约束。本文中，我们在具有 CPU 与 FPGA 的资源受限 MPSoC 上实现浅层与深层网络间的自适应切换，以达到最高吞吐量。为此，我们开发并提出了一种新颖的 CNNs 架构，其中门控决定是否使用更深模型有益。由于 FPGA 上资源限制，采用了部分重配置的思想以将深层 CNNs 容纳于 FPGA 资源中。我们报告了在 CIFAR-10、CIFAR-100 与 SVHN 数据集上的实验结果以验证我们的方法。使用置信度度量作为决策因子，对于 CIFAR-10、CIFAR-100 与 SVHN，最深网络仅分别完成了 69.8%、71.8% 与 43.8% 的计算量，同时可维持期望精度，对 SVHN 数据集吞吐量约为每秒 400 张图像。
引用
@article{arxiv.1909.05653,
title = {A Novel Design of Adaptive and Hierarchical Convolutional Neural Networks using Partial Reconfiguration on FPGA},
author = {Mohammad Farhadi and Mehdi Ghasemi and Yezhou Yang},
journal= {arXiv preprint arXiv:1909.05653},
year = {2019}
}
备注
2019 IEEE High Performance Extreme Computing Conference