用于自主系统中检测、分类与跟踪的基于 FPGA 的实时 CNN：前沿设计与优化
硬件体系结构
2025-09-05 v1
摘要
本文全面回顾了在现场可编程门阵列（FPGA）上部署卷积神经网络（CNN）用于目标检测、分类和跟踪的最新进展。随着自动驾驶车辆、机器人和监控等领域对实时计算机视觉应用的需求不断增长，FPGA 因其可重构性、低功耗和确定性延迟，已成为 GPU 和 ASIC 的强大替代方案。我们批判性地考察了基于 CNN 的视觉任务的最先进 FPGA 实现，涵盖了算法创新、硬件加速技术，以及剪枝、量化和稀疏感知方法等优化策略的集成，以在硬件约束下最大化性能。本综述还探讨了现代 FPGA 平台的格局，包括经典的基于 LUT-DSP 的架构、片上系统（SoC）FPGA 和自适应计算加速平台（ACAP），比较了它们在处理深度学习工作负载方面的能力。此外，我们回顾了可用的软件开发工具，如 Vitis AI、FINN 和 Intel FPGA AI Suite，这些工具显著简化了 AI 模型在 FPGA 上的设计与部署。本文独特地讨论了结合 GPU 和 FPGA 的混合架构以协同加速 AI 推理，解决了与能效和吞吐量相关的挑战。此外，我们重点介绍了对资源受限设备上的实时推理至关重要的软硬件协同设计实践、数据流优化和流水线处理技术。通过本综述，研究人员和工程师可获得开发下一代高能效、高性能视觉系统的洞察，这些系统针对在边缘和嵌入式应用中的 FPGA 部署进行了优化。
引用
@article{arxiv.2509.04153,
title = {Real Time FPGA Based CNNs for Detection, Classification, and Tracking in Autonomous Systems: State of the Art Designs and Optimizations},
author = {Safa Mohammed Sali and Mahmoud Meribout and Ashiyana Abdul Majeed},
journal= {arXiv preprint arXiv:2509.04153},
year = {2025}
}