基于 FPGA 硬件加速 CNN 目标识别

智研平台会员

登录机构账号

复制成功

设置

万方会员

暂未开通会员

开通即享超值福利、会员权益
优质内容推荐

立即开通

个人中心

我的智研

退出登录

简繁

搜索

DOI: 10.12361/2661-376X-06-10-165188

基于 FPGA 硬件加速 CNN 目标识别

赖瀚昀, 郑小海, 王露曼

西京学院

全文直达

引用

打印

摘要：为提高计算速度卷积神经网络（CNN）用于目标识别任务，本文研究了现场可编程门阵列（FPGA）在加速 CNN 目标识别中的应用。FPGA 以其硬件可重构性、低延迟和高效能效比，在模型的适应性方面展现出显著优势。本研究选用了 YOLOv3 作为 CNN 模型，通过 FPGA 实现目标识别的加速，通过软硬件协同工作流程，实现了深度学习模型的高效加速。本文介绍了基于 FPGA 的卷积运算设计，包括多通道卷积运算和 DSP48 完成卷积乘法的优化策略。实验结果表明，该系统表现出良好的目标检测效果，在资源消耗和功耗方面具有优势，低功耗特性更适合嵌入式系统。

关键词：

现场可编程门阵列；目标识别；嵌入式系统；YOLOv3

Universe Scientific Publishing

ISSN：2661-3751

年,卷(期)：2024,6(10)