Dissertação
Lidar-based 3D object detection in FPGA EVALUATED
Redes neuronais Convolucionais (CNN) podem providenciar eficientes soluções para reconhecimento e deteção de objetos. Este trabalho otimiza um modelo CNN de deteção de objetos em 3D (PointPillars), melhora a velocidade e eficiência de um acelerador em Hardware para convoluções 2D e implementa e melhora o conhecimento de como computar convoluções transpostas 2D. Quantização de ponto fixo foi utilizada para pesos e ativações, com uma vasta exploração de possibilidades de quantização para o modelo escolhido. Isto permitiu a melhoria da performance do acelerador em hardware mantendo boa precisão de deteção. O acelerador foi implementado numa SoC-FPGA Pynq-Z2, usando quantização a 2-bit para os pesos da CNN e quantização de 8-bit para as ativações. A arquitetura final alcançou um rendimento de 0.7 imagens por segundo, que representa uma melhoria de performance de 6.7 vezes comparando com o acelerador base inicial, utilizando 1.5 W, com uma pequena redução na precisão do modelo. Isto representa uma melhoria massiva em potencia, tempo de computação e energia, quando comparado com o acelerador base e com software do mesmo modelo a correr em CPU.
novembro 27, 2023, 14:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Horácio Cláudio De Campos Neto
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado
