RoadNet-RT: 用于实时道路分割的高吞吐量CNN架构与SoC设计
图像与视频处理
2021-05-18 v2 计算机视觉与模式识别
摘要
近年来，卷积神经网络在许多工程应用中越来越受欢迎，尤其是计算机视觉。为了获得更好的性能，神经网络中常常加入更复杂的结构和高级操作，导致推理时间很长。对于自动驾驶和虚拟现实等时间关键任务，实时处理是基础。为了实现实时处理速度，本文提出了一种轻量级、高吞吐量的CNN架构RoadNet-RT用于道路分割。它在KITTI道路分割任务的测试集上达到90.33%的MaxF分数，在GTX 1080 GPU上每帧8毫秒。与最先进的网络相比，RoadNet-RT将推理时间加速了20倍，仅损失6.2%的精度。为了硬件设计优化，定制设计了深度可分离卷积和非均匀核卷积等技术，以进一步减少处理时间。所提出的CNN架构已成功在FPGA ZCU102 MPSoC平台上实现，计算能力达到83.05 GOPS。系统吞吐量达到327.9帧每秒，图像尺寸为1216x176。
引用
@article{arxiv.2006.07644,
title = {RoadNet-RT: High Throughput CNN Architecture and SoC Design for Real-Time Road Segmentation},
author = {Lin Bai and Yecheng Lyu and Xinming Huang},
journal= {arXiv preprint arXiv:2006.07644},
year = {2021}
}