XNOR交通标志分类器的硬件加速方法探索
计算机视觉与模式识别
2022-12-19 v1 人工智能
图像与视频处理
摘要
深度学习算法是许多最先进视觉系统的关键组成部分，尤其是卷积神经网络（CNN）在精度上优于大多数解决方案。要将此类算法应用于实时应用，必须应对存储与计算复杂度的挑战。针对第一个问题，我们使用降低精度的网络，具体为二值神经网络（也称为XNOR）。为满足计算需求，我们提议使用高度并行且低功耗的FPGA器件。本文中，我们探索了加速XNOR网络用于交通标志分类的可能性。训练好的二值网络在配备Zynq UltraScale+ MPSoC器件的ZCU 104开发板上以两种不同方法实现。首先，我们提出了一种面向XNOR网络的定制HDL加速器，其能够以近450 fps进行推理。第二种方法——Xilinx FINN加速器——取得了更好的结果，能够以约550的帧率处理输入图像。两种方法在测试集上均提供超过96%的精度。
引用
@article{arxiv.2104.02303,
title = {Exploration of Hardware Acceleration Methods for an XNOR Traffic Signs Classifier},
author = {Dominika Przewlocka-Rus and Marcin Kowalczyk and Tomasz Kryjak},
journal= {arXiv preprint arXiv:2104.02303},
year = {2022}
}
备注
12 pages, 2 figures, 6 tables. Submitted for the CORES 2021 conference