基于 FPGA 的快速神经拟态物体识别优于 GPU 实现
计算机视觉与模式识别
2015-11-03 v1
摘要
静图像中物体的识别传统上被视为困难的计算问题。尽管现代视觉物体识别的自动化方法取得了稳步提升的识别准确率，但即使最先进的计算视觉方法也无法获得与人类相当的性能。这催生了许多生物启发的视觉物体识别模型，其中包括 HMAX 模型。HMAX 传统上以牺牲显著计算复杂度为代价在视觉物体识别任务中取得高准确率而著称。复杂度增加转而增加计算时间，减少了单位时间可处理的图像数量。本文中，我们描述了如何将计算密集、生物启发的 HMAX 视觉物体识别模型修改以在商用现场可编程门阵列（Field Programmable Gate Array, FPGA）上实现，具体为带有 XC6VLX240T FPGA 的 Xilinx Virtex 6 ML605 评估板。我们展示，通过对传统 HMAX 模型进行微小修改，我们能在 128x128 像素大小的图像上以每秒 190 张的速率执行识别，且在二分类和多分类视觉物体识别任务中识别准确率损失小于 1%。
引用
@article{arxiv.1511.00100,
title = {Fast Neuromimetic Object Recognition using FPGA Outperforms GPU Implementations},
author = {Garrick Orchard and Jacob G. Martin and R. Jacob Vogelstein and Ralph Etienne-Cummings},
journal= {arXiv preprint arXiv:1511.00100},
year = {2015}
}
备注
14 pages, 8 figures, 5 tables