原文传递
基于FPGA车载计算平台的目标检测算法设计及优化
| 论文题名： | 基于FPGA车载计算平台的目标检测算法设计及优化 |
| 关键词： | 汽车自动驾驶;环境感知;目标检测;图像预分类 |
| 摘要： | 目标检测算法是自动驾驶环境感知的关键技术之一。算法的复杂度特性和参数规模，使得车载计算平台的算力和功耗面临挑战。如何设计符合硬件特性要求的轻量化神经网络，是当前自动驾驶感知系统面临的难题。为此，本文综合考虑算法与硬件特性，基于FPGA车载计算平台实现了目标检测算法的设计与优化。在FPGA低功耗的前提下，针对当前算法与硬件设计割裂的问题，本文提出软硬件联合学习方法，设计了符合硬件特性的轻量化骨干网络。在此基础上，考虑驾驶场景复杂程度，提出了一种基于图像预分类的动态结构目标检测算法，进一步提高计算效率。论文基于Xilinx ZCU102对上述方法和理论进行验证，结合硬件加速方法实现了感知系统的高效运行。主要的工作内容如下： （1）针对当前算法设计与硬件设计的割裂问题，引入硬件特性，提出软硬件联合学习方法，设计硬件友好网络。在设计过程中采用神经网络结构搜索算法，针对搜索空间过大及搜索时间过长的问题，从搜索空间和搜索方法两方面做出了改进。通过对现有的高效神经网络模型结构参数的统计分析，得到参数量、总层数、分辨率、结构块特性、卷积核五个参数与分类准确率的规律，结合FPGA硬件特性分析，有效缩小了搜索空间。在搜索方法方面，基于软硬件联合学习方法，采用随机搜索、分组监督搜索与FPGA特性预测相结合的搜索算法，得到了高效的轻量化骨干网络SHNet，取得了ImageNet上Top177.2%的检测精度。 （2）为进一步提高计算效率，针对不同复杂度的图像信息，提出了基于图像预分类的动态结构目标检测算法，综合提高目标检测实时性和准确性。本文根据单帧图像中的物体遮挡、图像截断、标记框尺寸、目标总数以及代表性网络的漏检率，提出了一种图像复杂度的分类方法，得到图片目标识别的复杂度预分类模型。在此基础上，基于前述轻量化骨干神经网络结构，设计动态检测结构DSHNet，在VOC2007测试集上mAP@0.5达到了82.14%，并在检测结构中采用深度可分离卷积减少计算量，实现了运行的高效性。 （3）为了对优化后的轻量化目标检测进行实验验证，本文利用Xilinx编译工具，在ZCU102上对目标检测网络DSHNet实现算法的模型量化处理与编译。在VOC2007数据集上，采用随机抽样的方法，每次抽样100张图片进行目标识别，得到平均帧率43帧/秒，实现了感知系统的高效运行，对上述方法和结果的有效性进行了验证。 |
| 作者： | 欧俊宏 |
| 专业： | 控制工程 |
| 导师： | 程洪 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
