基于FPGA的红外目标识别神经网络加速器设计

在红外目标识别领域，基于卷积神经网络的深度学习算法的识别精度已远远超过了传统模式识别算法,但神经网络的实现需要庞大的计算和存储，难以在无人机等嵌入式平台上进行部署。针对此问题，将通道级量化策略和梯度的近似优化训练引入到了低比特神经网络模型的建立中，并提出了一种可充分利用硬件计算资源的FPGA加速器，其整体平均性能为65.6GOPS。与其他相关工作的对比表明，低比特量化方法及其FPGA加速器实现，可以为嵌入式红外目标识别系统提供一种能效高、识别精度高的解决方案。     

基于误差模型的权重二值神经网络近似加速

针对智能识别系统精确度和硬件复杂度之间的均衡设计问题,提出了一种基于误差统计模型的权重二值神经网络近似加速方法。在提出了一种获得高精度轻量神经网络的权重二值化处理算法基础上,引入近似加法器、消除乘法器以进一步提高能效。最终提出了一种系统级误差统计模型用于系统评估和优化设计,该设计能够分析和预测权重二值神经网络近似加速系统的最终精度。结果表明:该模型可以准确地预测系统精度,与仿真结果对比,相对误差在2.05%～3.07%。该模型预测用于指导相应软硬件的设计优化,可大幅提高设计的迭代速度。     

易格斯的“绿色”自动化

"绿色"自动化的突破——拖链专家德国易格斯公司开发出一种快速安静的能源、数据、介质的传送解决方案,为仓储物流提供了高能效的工作方式。应用于行程在40~50m之间时,功耗和运营成本可显著降低。在加工生产线上,比如木材加     

基于低比特量化神经网络的红外目标识别方法及其FPGA实现

红外目标识别系统成为航空航天、无人驾驶等军事和民用领域中一项至关重要的技术。红外目标识别算法是红外目标检测识别系统中的核心之一。传统红外目标识别技术往往依赖人为的特征选择，无法对复杂困难的红外目标实现高效、准确的识别。本文提出了训练中反量化与通道级量化相结合的量化策略，有效减小量化误差对网络模型性能的影响。实验结果表明:本文提出的低比特量化算法在红外数据集上有着优异的表现。在硬件部署方面，本文提出了更加高效的卷积计算单元，提高了硬件资源的利用率，同时也达到了更高的峰值性能。最终，在PYNQ-Z2嵌入式现场可编程门阵列(FPGA)上进行验证，系统在150 MHz的时钟频率下达到了90.6 GOP/s的峰值吞吐率，其功耗为2.5 W。