使用全卷积网络的资源高效嵌入式虹膜识别系统
神经与进化计算
2019-09-10 v1 计算机视觉与模式识别
图像与视频处理
摘要
全卷积网络（FCN）在虹膜分割中的应用已显示出可喜的进展。对于移动和嵌入式系统，一个重大挑战是所提出的 FCN 架构计算需求极高。在本文中，我们提出一种资源高效的端到端虹膜识别流程，其由基于 FCN 的分割、轮廓拟合，以及随后的 Daugman 归一化与编码组成。为获得准确且高效的 FCN 模型，我们提出一种三步软/硬件协同设计方法，包括 FCN 架构探索、精度量化和硬件加速。在我们的探索中，我们提出了多个 FCN 模型，与先前工作相比，我们性能最佳的模型每次推理所需的 FLOPs 减少 50 倍，同时达到了新的最先进分割精度。接下来，我们选取最高效的一组模型，并使用 8 位动态定点（DFP）格式对权重和激活进行量化，进一步降低其计算复杂度。随后每个模型被纳入端到端流程以进行真实的识别性能评估。我们的若干端到端流水线在所评估的两个数据集上优于先前的最先进水平。最后，我们提出一种新颖的 DFP 加速器，并在嵌入式 FPGA 平台上完整展示了我们流程的软/硬件协同设计实现。与嵌入式 CPU 相比，我们的硬件加速对整个流水线实现了高达 8.3 倍的加速，同时使用的 FPGA 资源不足可用资源的 15%。我们还提供了 FPGA 系统与嵌入式 GPU 之间的比较，展示了两种平台的不同优势与缺陷。
引用
@article{arxiv.1909.03385,
title = {A Resource-Efficient Embedded Iris Recognition System Using Fully Convolutional Networks},
author = {Hokchhay Tann and Heng Zhao and Sherief Reda},
journal= {arXiv preprint arXiv:1909.03385},
year = {2019}
}