典型文献
基于FPGA加速的行为识别算法研究
文献摘要：
为提高行为识别算法的实时性,适用于资源有限的嵌入式设备,提出了一种行为识别算法硬件加速方法,并在FPGA平台实现.传统的基于可穿戴传感器的行为识别算法需要严格标记的数据进行训练分类,但传感器序列的标注过程消耗大量的人力和计算资源,针对该问题,在传统的卷积神经网络模型中引入注意力机制,用于基于弱标签数据的行为识别.算法中的卷积、池化和注意力机制等计算模块使用高层次综合设计.针对模型的运算特性,通过流水线约束、多像素多通道并行计算和数据定点化等方法,提升运算速度.在Ultra96_V2平台上使用弱标签数据集进行实验,实验结果表明,所设计的行为识别系统识别准确率达到了 90％的同时,计算速度达到25.89 frams/s,相较于ARM_A53处理器实现了 54.15倍的加速效果.系统的平均功耗为2.204 W,功耗效率为11.75 frames/J,满足了低功耗、低延时设计要求.
文献关键词：
人体行为识别;卷积神经网络;FPGA;硬件加速;可穿戴传感器
中图分类号：
作者姓名：
吴宇航;何军
作者机构：
南京信息工程大学电子与信息工程学院 南京210044;南京信息工程大学人工智能学院 南京210044
文献出处：
引用格式：
[1]吴宇航;何军-.基于FPGA加速的行为识别算法研究)[J].电子测量技术,2022(13):25-32
A类：
frams
B类：
FPGA,识别算法,算法研究,高行,嵌入式设备,硬件加速,加速方法,可穿戴传感器,格标记,计算资源,卷积神经网络模型,注意力机制,池化,高层次综合,综合设计,过流,流水线,像素,多通道,并行计算,定点化,Ultra96,V2,标签数据集,行为识别系统,系统识别,识别准确率,计算速度,ARM,A53,处理器,速效,frames,低功耗,低延时,人体行为识别
AB值：
0.368543
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
