SoC-FPGA Deep Neural Network for Object Detection EVALUATED

Detalhes: O objetivo deste trabalho é desenvolver um sistema embebido de deteção de objetos usando redes neuronais profundas (DNN), numa plataforma SoC-FPGA. O sistema desenvolvido deve ser o mais eficiente possível, alcançando um bom equilíbrio entre a exatidão na deteção de objetos e os tempos de inferência. As redes neuronais profundas desencadearam novos desenvolvimentos na deteção de objetos, alcançando melhores exatidões do que nunca, mas com altos custos computacionais. No entanto, os sistemas de deteção de objetos são amplamente aplicados em sistemas embebidos, onde os recursos disponíveis são limitados. Lidar com DNNs em sistemas embebidos é um desafio e avanços nesta área são necessários. Foi projetado um sistema hardware/software para implementar a RetinaNet, uma DNN de deteção de objetos topo de gama, num dispositivo Xilinx Zynq-7020. Para alcançar tempos de inferência mais baixos, foi desenvolvido e integrado no sistema um processador específico para executar as camadas convolucionais da rede. A RetinaNet foi treinada usando quantization aware training, uma técnica que gerou pesos de 4 bits e ativações de 8 bits com uma queda de exatidão de apenas 9 % comparando com a utilização de virgula flutuante de 32 bits. Esta quantização reduz em cerca de 78 % a memória usada por cada camada convolucional. O acelerador de convoluções em hardware desenvolvido processa a convolução 359 vezes mais rápido que um processador ARM embebido. Quando o acelerador é integrado no sistema hardware/software final, a parte implementada da RetinaNet é processada cinco vezes mais rápido que a implementação da DNN usando apenas software.

Discussão: setembro 22, 2021, 10:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

AUTOR

Pedro Duarte Cotrim Oliveira Direita (ist181305)

ORIENTADOR

Horácio Cláudio De Campos Neto

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado