用于自动驾驶车辆深度学习行人检测的 FPGA 加速设计
机器学习
2018-09-18 v1 计算机视觉与模式识别
机器学习
摘要
随着自动驾驶车辆的兴起，事故风险增加，对行人检测的安全性需求提升，需在以下场景中加以保护：即将发生碰撞时，车辆应撞向物体而避开行人；以及在道路交叉口，当行人正在穿越时车辆必须停车。目前，一种称为融合深度神经网络（F-DNN）的特殊深度神经网络拓扑被认为是行人检测的最先进水平（SOTA），因其漏检率最低，但速度非常慢。因此，需要加速以提升性能。本项目通过使用一种用于目标检测的深度神经网络——单发多框检测器（SSD）来解决该问题，并作出两点贡献。第一点贡献是训练并调优 SSD 的超参数以改进行人检测。第二点贡献是一种新的 FPGA 设计，用于在 Altera Arria 10 平台上加速该模型。最终系统将实时用于自动驾驶车辆。改进 SSD 的初步结果显示，在 Caltech 行人检测基准上其漏检率比 F-DNN 高 3%，但性能提升 4 倍。该加速设计有望带来显著的额外性能提升，远超精度上的微小差异。
引用
@article{arxiv.1809.05879,
title = {An FPGA-Accelerated Design for Deep Learning Pedestrian Detection in Self-Driving Vehicles},
author = {Abdallah Moussawi and Kamal Haddad and Anthony Chahine},
journal= {arXiv preprint arXiv:1809.05879},
year = {2018}
}
备注
7 pages. American University of Beirut, Faculty of Engineering and Architecture Student and Alumni Conference 2017 FEASAC