典型文献
基于Winograd算法的目标检测加速器设计与优化
文献摘要：
卷积神经网络(Convolutional Neural Networks,CNN)已被广泛应用于图像处理领域.基于CNN的目标检测模型,如YOLO,已被证明在许多应用中是最先进的.CNN对计算能力和内存带宽要求极高,通常需要部署到专用硬件平台,FPGA因其高性能、低功耗和可重配置性成为CNN的有效硬件加速器.以往的基于FPGA的目标检测加速器主要采用传统卷积算法,然而,传统卷积算法的高运算复杂度限制了加速器的性能.基于此,本文设计了一种基于Winograd算法的目标检测加速器.考虑到各模块间的联系,采用模块融合策略融合卷积层和池化层模块,降低数据移动次数,减少片外存储器访问次数,提高加速器整体性能.以YOLO2模型为例,对数据访问模式、池化内核、参数重排序、数据通路优化进行分析设计,并部署在U280板卡上.实验结果表明,量化后mAP降低了0.96％,性能达249.65 GOP/s,是Xilinx官网所给数据的4.4倍.
文献关键词：
目标检测;FPGA;Winograd算法;模块融合;YOLO2
中图分类号：
作者姓名：
李斌;齐延荣;周清雷
作者机构：
郑州大学计算机与人工智能学院,河南郑州450001;郑州大学信息工程学院,河南郑州450001
文献出处：
引用格式：
[1]李斌;齐延荣;周清雷-.基于Winograd算法的目标检测加速器设计与优化)[J].电子学报,2022(10):2387-2397
A类：
YOLO2,U280
B类：
Winograd,加速器设计,设计与优化,Convolutional,Neural,Networks,目标检测模型,多应用,最先,计算能力,硬件平台,FPGA,低功耗,重配置,硬件加速器,卷积算法,运算复杂度,模块间,模块融合,融合策略,策略融合,卷积层,池化,外存储器,高加速,整体性能,数据访问,数重,重排序,数据通路,分析设计,板卡,mAP,GOP,Xilinx,官网
AB值：
0.422158
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。
