原文传递
面向RISC-V平台的ADAS目标检测算法移植与评测
| 论文题名： | 面向RISC-V平台的ADAS目标检测算法移植与评测 |
| 关键词： | 高级辅助驾驶系统;目标检测;RISC-V模型;全卷积神经网络 |
| 摘要： | 高级辅助驾驶系统（AdvancedDrivingAssistanceSystem，ADAS）是典型的智能物联网（ArtificialIntelligenceInternetofThings，AIoT）应用，目标检测是其中重要的感知任务之一。受限于硬件资源，ADAS中基于AI的目标检测方法在车载系统中较难落地。第五代精简指令集（ReducedInstructionSetComputingV，RISC-V）作为新型指令集架构，非常适合AIoT场景，有望推动ADAS应用的落地。但目前缺乏ADAS应用向RISC-V平台移植的实践经验和评测数据，面向ADAS的RISC-VCPU设计缺少相关参考依据。 为探索面向ADAS的目标检测算法向RISC-V平台移植的可行性，提出了一套评测方案。第一，评测了四种ADAS检测算法向RISC-V移植后的性能变化，比较了检测网络中，下采样的池化或全卷积实现的速度与精度。第二，针对RISC-V的基础整数指令集有RV32E、RV32(64)I的不同实现，而RV32E只使用RV32(64)I中32个通用寄存器的前16个，更适合嵌入式环境。由于目前没有支持RV32E的实验环境，因此展开了检测网络对寄存器使用占比的评测，旨在为RISC-V的整数指令集的选择提供依据。 上述实验基于RISC-V的指令模拟器Spike展开，数据集选用CommonObjectsinContext（COCO）的子集COCO-ADAS。实验结果表明，模型移植到RISC-V平台后精度不会发生变化。相比下采样的池化实现，全卷积网络前向推理的RISC-V指令数目下降了32.3%，精度下降了13.1%。因此用卷积来实现下采样更有速度优势，更适合ADAS此类关注实时性的场景。寄存器使用占比的评测结果表明，目标检测网络的计算对前16个寄存器的使用占比达到了81.4%，对后16个寄存器的使用占比仅为18.6%，说明对前16个寄存器使用更频繁。因此面向ADAS的RISC-VCPU可选只使用16个寄存器的RV32E作为基础整数指令集，以降低硬件实现复杂性。 |
| 作者： | 王庆 |
| 专业： | 计算机技术 |
| 导师： | 金海 |
| 授予学位： | 硕士 |
| 授予学位单位： | 华中科技大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
