發(fā)布時(shí)間：2021-01-14 08:47

　　目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)基本任務(wù)之一,隨著深度學(xué)習(xí)時(shí)代的到來(lái),基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法得到長(zhǎng)足的發(fā)展,然而算法的產(chǎn)品化落地問(wèn)題還亟待解決。YOLOv2檢測(cè)網(wǎng)絡(luò)作為一個(gè)性能優(yōu)良且能達(dá)到實(shí)時(shí)性要求的目標(biāo)檢測(cè)算法,具有結(jié)構(gòu)簡(jiǎn)單,網(wǎng)絡(luò)層數(shù)相對(duì)較少的優(yōu)點(diǎn),是將目標(biāo)檢測(cè)算法進(jìn)行產(chǎn)業(yè)化落地的一個(gè)很好的選擇。FPGA的并行計(jì)算、可重構(gòu)性與低功率使得其是將基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法移植到嵌入式系統(tǒng)一個(gè)很好的平臺(tái)方案。首先,為了在FPGA平臺(tái)上能更高效部署YOLOv2檢測(cè)網(wǎng)絡(luò),本文對(duì)YOLOv2檢測(cè)網(wǎng)絡(luò)的存儲(chǔ)空間以及計(jì)算方式利用增量網(wǎng)絡(luò)量化的方法進(jìn)行優(yōu)化,將單精度浮點(diǎn)數(shù)格式的權(quán)值量化成2的整次冪,利用4位位寬對(duì)其進(jìn)行編碼,使得YOLOv2檢測(cè)網(wǎng)絡(luò)模型大小減少了近8倍,同時(shí),卷積層中的浮點(diǎn)數(shù)乘法可以轉(zhuǎn)化成定點(diǎn)數(shù)的移位操作,并且量化后的YOLOv2網(wǎng)絡(luò)在Pascal VOC2007數(shù)據(jù)集上的檢測(cè)性能與量化前的性能保持一致。其次,考慮到Y(jié)OLOv2檢測(cè)網(wǎng)絡(luò)是在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出的,為了我們的設(shè)計(jì)適用于其他的基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法,本文分析了并且在FPGA上實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)通用的模塊,通過(guò)對(duì)各... 

【文章來(lái)源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

YOLOv1網(wǎng)絡(luò)結(jié)構(gòu)

量 :1lT l L來(lái)記錄， ( , ) 0lT i j ， ( , )lW i j 用于量化； ( , ) 1lT i j ， 用于更新。重新訓(xùn)練的目的是為了將由量化造成的損失降至最小，如公式（2-6）所示：min ( ) ( ) ( ). ( , ) , ( , ) 0,1ll l lWl l lE W L W R Ws t W i j P if T i j l L (2-6)其中， ( )lL W 是模型為 :1lW dl Ld的網(wǎng)絡(luò)損失， ( )lR W 為正則化項(xiàng)。重新訓(xùn)練的時(shí)候，更新權(quán)值如公式（2-7）所示：( , ) ( , ) ( , )( , )l l lldEW i j W i j T i jdW i j (2-7)其中 為學(xué)習(xí)率。增量網(wǎng)絡(luò)量化的算法流程如圖 2-4 所示：輸入：訓(xùn)練數(shù)據(jù) X，預(yù)訓(xùn)練模型 : ≤ ≤ ，量化權(quán)值占的累計(jì)比重 。

1 2 3 4 56 7 8 9 1011 12 13 14 1516 17 18 19 2021 22 23 24 251 0 10 1 01 0 022 26 3042 46 5062 66 70*輸入的特征圖 卷積核 輸出的特征圖圖 3-15 特征圖不加 padding 的二維卷積理論結(jié)果不加 padding 的二維卷積的仿真結(jié)果如圖 3-16 所示，從仿真波形圖可以看出，有些滑動(dòng)窗口不是卷積窗口，因此計(jì)算結(jié)果不是連續(xù)的，可以使用輸出使能信號(hào)來(lái)記錄哪個(gè)輸出是有效的，也可以使用一個(gè) FIFO 將有效的輸出緩沖。通過(guò)對(duì)比，仿真結(jié)果與理論結(jié)果是一致的，因此特征圖不加 padding 的二維卷積模塊通過(guò)功能仿真驗(yàn)證。


本文編號(hào)：2976599