針對智能目標(biāo)識(shí)別算法在無人車嵌入式硬件上的應(yīng)用需求,研究基于卷積神經(jīng)網(wǎng)絡(luò)的地面目標(biāo)識(shí)別算法及其硬件適應(yīng)性優(yōu)化技術(shù),提出了基于雙正則項(xiàng)的自適應(yīng)網(wǎng)絡(luò)裁剪優(yōu)化算法及面向FPGA的神經(jīng)網(wǎng)絡(luò)INT8量化優(yōu)化算法。針對裁剪及量化后的YOLO V3算法,完成了基于Xilinx公司的UltraScale+MPSoC系列的XCZU7EV器件驗(yàn)證平臺(tái)的智能算法程序部署,并利用無人車的可見光數(shù)據(jù)集和紅外數(shù)據(jù)集進(jìn)行了仿真驗(yàn)證。結(jié)果表明,YOLO V3算法在兩類優(yōu)化算法有效結(jié)合并保持網(wǎng)絡(luò)精度的前提下,在無人車嵌入式硬件平臺(tái)上可獲得4.5倍的加速比,能夠滿足無人車地面目標(biāo)識(shí)別的精度與實(shí)時(shí)性要求。所提出的優(yōu)化算法思想為神經(jīng)網(wǎng)絡(luò)在嵌入式硬件平臺(tái)上的部署提供了新的技術(shù)思路。

【文章頁數(shù)】：9 頁

【部分圖文】：

圖1YOLOV3網(wǎng)絡(luò)的組合式卷積形式

YOLOV3網(wǎng)絡(luò)共計(jì)107層，在特征提取時(shí)采用了Darknet53的網(wǎng)絡(luò)結(jié)構(gòu)，同時(shí)借鑒殘差網(wǎng)絡(luò)的思想建立層間的連接。YOLOV3網(wǎng)絡(luò)獨(dú)有的組合式卷積形式如圖1所示。其中，Conv2D層、BatchNorm層及LeakyRelu層，可視為統(tǒng)一的卷積處理層，一起構(gòu)成YOLO....

圖2邊界框預(yù)測示意圖

YOLOV3網(wǎng)絡(luò)的邊界框預(yù)測示意圖如圖2所示，當(dāng)預(yù)測邊界時(shí)，假設(shè)cx和cy是相對于特征圖預(yù)先劃分方格左上角的距離，并且每個(gè)單元格的長度是1，即cx=1,cy=1。邊框預(yù)測計(jì)算過程如公式（1）所示，計(jì)算結(jié)果為邊界框坐標(biāo)值bx、by、bw和bh，即邊界框相對于特征圖的位置和大小。為....

圖3網(wǎng)絡(luò)結(jié)構(gòu)裁剪前后的對比示意圖

神經(jīng)網(wǎng)絡(luò)裁剪過程如圖3所示，通過剪枝、剪神經(jīng)元的方式，借助最優(yōu)計(jì)算，可以在對網(wǎng)絡(luò)裁剪的同時(shí)，保持網(wǎng)絡(luò)模型的精度。較為基礎(chǔ)的裁剪方法是裁剪濾波器。裁剪濾波器是一種先裁剪后重新訓(xùn)練的方法，通過閾值設(shè)定裁剪掉每層當(dāng)中較低權(quán)值的連接，從而有效降低模型復(fù)雜度。

圖4裁剪與訓(xùn)練協(xié)同計(jì)算流程圖

(3）進(jìn)行訓(xùn)練與裁剪的協(xié)同計(jì)算，并反復(fù)迭代從而獲得最優(yōu)的裁剪后網(wǎng)絡(luò)。裁剪與訓(xùn)練協(xié)同計(jì)算流程如圖4所示，通過微調(diào)，可以較快收斂到最優(yōu)網(wǎng)絡(luò)；通過反復(fù)迭代，可獲得更高的壓縮比。網(wǎng)絡(luò)裁剪的核心目的是在保持網(wǎng)絡(luò)精度的前提下，對網(wǎng)絡(luò)進(jìn)行壓縮。本文所提出的神經(jīng)網(wǎng)絡(luò)自適應(yīng)裁剪算法，可以顯著保持裁....

本文編號：3893547