FenixEdu™

Dissertação

FPGA Implementation of a CNN for Oriented Object Detection in Aerial Images EVALUATED

Detalhes: O objetivo deste trabalho é projetar e implementar um sistema hardware/software para deteção de objetos em imagens aéreas. O detetor utiliza uma rede neuronal convolucional (CNN) e visa processar uma imagem aérea por segundo num sistema em circuito integrado programável (SoC FPGA). A deteção de objetos em imagens e vídeos aéreos é um problema importante com muitas aplicações relevantes. Por considerar simultaneamente a posição do objeto e o seu ângulo de rotação ou orientação, a deteção orientada de objetos permite aumentar significativamente a precisão das deteções, mas é computacionalmente mais exigente. A maioria das aplicações alvo requer computação local em veículos aéreos não tripulados (UAVs), o que obriga a implementar soluções eficientes em dispositivos de baixo consumo de energia, nomeadamente em SoC FPGAs. O sistema desenvolvido implementa uma versão otimizada de um modelo de deteção orientada de objetos baseado no algoritmo de deteção de objetos YOLO. O modelo YOLO original foi otimizado e quantizado, com pesos e ativações representados num formato de vírgula fixa de 8 bits, para maximizar o desempenho da sua execução em hardware dedicado. O sistema é composto pelo acelerador hardware, que acelera a inferência das camadas principais da CNN executando 256 operações de multiplicação-acumulação em paralelo, e por um processador genérico que executa em software as funções menos exigentes. O sistema final, implementado num SoC FPGA Zynq, executa a inferência do R-YOLOv4 com um ritmo de processamento de imagens próximo de 1 FPS e um consumo de energia de apenas 7,3 W.
Keywords: Detecção de Objetos, Quantização, Rede Neural Convolucional, FPGA, Co-projeto Hardware/Software, Acelerador em Hardware

Discussão: junho 19, 2024, 15:30