Dissertação
CNN Architectures on Heterogeneous Systems EVALUATED
Os algoritmos de visão artificial presentes nos carros modernos já são capazes de identificar vários objetos, e aferir as condições da estrada para ajudar e assistir o condutor, bem como conduzir o veículo autonomamente dentro de condições restritas. No entanto, estes são executados em dispositivos computacionais complexos que nem sempre são otimizados em termos de capacidade computacional e eficiência energética para veículos elétricos modernos, que comportam restrições energéticas. Para conseguir isto, um algoritmo baseado em redes neuronais convolucionais de baixos recursos é proposto, e uma técnica de mapeamento em hardware é desenvolvida para integrar o sistema numa plataforma de hardware reconfigurável de modo a acelerar o sistema. Um estudo aprofundado de transformações de arquitetura de redes neuronais através de quantização dos parâmetros e transformações de arquitetura é efetuado, de modo a diminuir o seu custo a nível de recursos e tempo de execução na FPGA escolhida, mantendo simultaneamente taxas altas de deteção e classificação. Uma unidade de medida completa é elaborada para aferir a performance de uma rede neuronal convolucional quantizada e transformada, disponibilizando pesos que podem favorecer propriedades desejáveis da rede e penalizar restrições definidas pelo utilizador. Os resultados preliminares da integração de redes numa plataforma CPU+FPGA são apresentados, que mostram uma redução de até 50% no tempo de execução quando comparado com uma recente e mais espaçosa plataforma.
junho 19, 2018, 9:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Leonel Augusto Pires Seabra de Sousa
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Catedrático
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar