設(shè)計(jì)目的與應(yīng)用

隨著人工智能的發(fā)展，神經(jīng)網(wǎng)絡(luò)正被逐步應(yīng)用于智能安防、自動(dòng)駕駛、醫(yī)療等各行各業(yè)。目標(biāo)識(shí)別作為人工智能的一項(xiàng)重要應(yīng)用也擁有著巨大的前景，隨著深度學(xué)習(xí)的普及和框架的成熟，卷積神經(jīng)網(wǎng)絡(luò)模型的識(shí)別精度越來(lái)越高。有名的LeNet-5手寫(xiě)數(shù)字識(shí)別網(wǎng)絡(luò)，精度達(dá)到99%，AlexNet模型和VGG-16模型的提出突破了傳統(tǒng)圖像識(shí)別算法，GooLeNet和ResNet推動(dòng)了卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用。

但是神經(jīng)網(wǎng)絡(luò)的發(fā)展也給我們帶來(lái)了更多挑戰(zhàn)，權(quán)重參數(shù)越來(lái)越多，計(jì)算量越來(lái)越大導(dǎo)致了復(fù)雜的模型很難移植到移動(dòng)端或嵌入式設(shè)備中，且嵌入式環(huán)境對(duì)功耗、實(shí)時(shí)性、存儲(chǔ)都有著嚴(yán)格的約束。因此如何將卷積神經(jīng)網(wǎng)絡(luò)部署到嵌入式設(shè)備中是一件非常有意義的事情。目前神經(jīng)網(wǎng)絡(luò)在傳統(tǒng)嵌入式設(shè)備上絕大部分是基于ARM平臺(tái)，神經(jīng)網(wǎng)絡(luò)在ARM上部署時(shí)存在的巨大問(wèn)題是算力的不足。GPU主要應(yīng)用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段，對(duì)環(huán)境和庫(kù)的依賴(lài)性較大，國(guó)內(nèi)技術(shù)積累較弱，難以實(shí)現(xiàn)技術(shù)自主可控。ASIC 是為特定需求而專(zhuān)門(mén)定制優(yōu)化開(kāi)發(fā)的架構(gòu)，靈活性較差，缺乏統(tǒng)一的軟硬件開(kāi)發(fā)環(huán)境，開(kāi)發(fā)周期長(zhǎng)且造價(jià)極高。所以，基于FPGA的硬件加速平臺(tái)是時(shí)候發(fā)揮它的優(yōu)勢(shì)了。FPGA由于獨(dú)特的架構(gòu)，被廣泛的應(yīng)用與實(shí)時(shí)信號(hào)處理、圖像處理領(lǐng)域，其并行性也為卷積神經(jīng)網(wǎng)絡(luò)提供了巨大算力。

傳統(tǒng)的RTL開(kāi)發(fā)FPGA流程相比緩慢，不如軟件的開(kāi)發(fā)效率高，所以HLS運(yùn)營(yíng)而生，使用高層次語(yǔ)言來(lái)進(jìn)行轉(zhuǎn)換為底層的硬件代碼，極大的加快開(kāi)發(fā)進(jìn)程。因此項(xiàng)目選用HLS工具來(lái)實(shí)現(xiàn)算法中的加速I(mǎi)P核，將SSD目標(biāo)檢測(cè)網(wǎng)絡(luò)移植到FPGA硬件平臺(tái)上， 對(duì)于硬件加速過(guò)程中的算法并行性，在本設(shè)計(jì)中主要采用兩個(gè)方式：對(duì)層內(nèi)的運(yùn)算并行化，將多個(gè)通道的數(shù)據(jù)進(jìn)行分塊，每一塊內(nèi)的通道同時(shí)進(jìn)行運(yùn)算，最后將結(jié)果累加在一起。對(duì)于模塊的運(yùn)算采用HLS并行優(yōu)化，對(duì)數(shù)組核循環(huán)添加優(yōu)化指令進(jìn)行優(yōu)化。整個(gè)系統(tǒng)采用PYNQ的軟件框架來(lái)實(shí)現(xiàn)，為SSD目標(biāo)檢測(cè)算法提供了硬件加速方案，充分發(fā)揮了FPGA的并行性。

SSD目標(biāo)檢測(cè)算法原理

SSD于2016年提出，是經(jīng)典的單階段目標(biāo)檢測(cè)模型之一。它的精度可以媲美FasterRcnn雙階段目標(biāo)檢測(cè)方法，速度卻達(dá)到了59FPS(512x512,TitanV),單階段目標(biāo)檢測(cè)方法的目標(biāo)檢測(cè)和分類(lèi)是同時(shí)完成的，其主要思路是利用CNN提取特征后，均勻地在圖片的不同位置進(jìn)行密集抽樣，抽樣時(shí)可以采用不同尺度和長(zhǎng)寬比，物體分類(lèi)與預(yù)測(cè)框的回歸同時(shí)進(jìn)行，整個(gè)過(guò)程只需要一步，所以其優(yōu)勢(shì)是速度快。

SSD采用的主干網(wǎng)絡(luò)是VGG網(wǎng)絡(luò)，VGG是由Simonyan 和Zisserman在文獻(xiàn)《Very Deep Convolutional Networks for Large Scale Image Recognition》中提出卷積神經(jīng)網(wǎng)絡(luò)模型，其名稱(chēng)來(lái)源于作者所在的牛津大學(xué)視覺(jué)幾何組(Visual Geometry Group)的縮寫(xiě)。該模型參加2014年的 ImageNet圖像分類(lèi)與定位挑戰(zhàn)賽，取得了優(yōu)異成績(jī)：在分類(lèi)任務(wù)上排名第二，在定位任務(wù)上排名第一。

圖1.VGG16網(wǎng)絡(luò)結(jié)構(gòu)

這里的VGG網(wǎng)絡(luò)相比普通的VGG網(wǎng)絡(luò)有一定的修改，主要修改的地方就是：

1、將VGG16的FC6和FC7層轉(zhuǎn)化為卷積層。

2、去掉所有的Dropout層和FC8層；

3、新增了Conv6、Conv7、Conv8、Conv9。

圖2.SSD主干網(wǎng)絡(luò)結(jié)構(gòu)

上圖展示了SSD的主干網(wǎng)絡(luò)結(jié)構(gòu)，整個(gè)網(wǎng)絡(luò)為全卷積網(wǎng)絡(luò)結(jié)構(gòu)，SSD將VGG16的兩個(gè)全連接層轉(zhuǎn)換成了普通的卷積層,池化層POOL5由原來(lái)的stride=2，kernel大小2x2變成stride=1，kernel大小3x3，為了不改變特征圖大小同時(shí)獲得更大的感受野，Conv6改為空洞卷積，diliation=6，輸入的圖片經(jīng)過(guò)了改進(jìn)的VGG網(wǎng)絡(luò)（Conv1->fc7）和幾個(gè)另加的卷積層（Conv6->Conv9）進(jìn)行特征提取。

從圖2我們可以看出，SSD將conv4_3、conv7、conv6_2、conv7_2、conv8_2、conv9_2都連接到了最后的檢測(cè)分類(lèi)層做回歸，6個(gè)特征圖分別預(yù)測(cè)不同大小和長(zhǎng)寬比的邊界框，具體細(xì)節(jié)如圖3。

圖3.SSD特征提取網(wǎng)絡(luò)

SSD為每個(gè)檢測(cè)層都預(yù)定義了不同大小的先驗(yàn)框(prior boxes),Conv4_3、Conv8_2和Conv9_2分別有4個(gè)先驗(yàn)框，而Conv7、conv7_2和Conv8_2分別有6種先驗(yàn)框，即對(duì)應(yīng)于特征圖上的每個(gè)像素，都會(huì)生成4或6個(gè)prior box.

在淺層的神經(jīng)網(wǎng)絡(luò)里，只能看到圖片的細(xì)節(jié)和紋理信息，就如管中窺豹。隨著網(wǎng)絡(luò)層數(shù)的加深，相當(dāng)于把圖片往后移動(dòng)一段距離。這樣才能夠感知到圖片的整體信息。低層卷積可以捕捉到更多的細(xì)節(jié)信息，高層卷積可以捕捉到更多的抽象信息。低層特性更關(guān)心“在哪里”，但分類(lèi)準(zhǔn)確度不高，而高層特性更關(guān)心“是什么”，但丟失了物體的位置信息。SSD正是利用不同尺度檢測(cè)圖片中不同大小和類(lèi)別的目標(biāo)物體，獲得了很好的效果。

作品展示