孪生网络跟踪算法并行计算结构研究

基于嵌入式平台的复杂背景目标跟踪技术在智能视频监控设备、无人机跟踪等领域有重要作用.卷积神经网络在跟踪问题上有准确率高、鲁棒性强的优点,但基于卷积特征的算法计算复杂度高,受嵌入式平台面积和功耗的限制,实时性难以满足嵌入式平台应用场景的需求.针对基于卷积特征的跟踪算法计算复杂度高、存储参数量大的难题,率先提出一种利用FPGA实现基于卷积神经网络的复杂背景目标跟踪硬件加速架构.该方法通过利用KL相对熵对目标跟踪算法Siamese-FC进行定点量化,设计了基于通道并行的卷积层加速架构.实验结果表明,定点量化后跟踪算法相比于原算法的平均精度损失不超过4.57％,FPGA部署后前向推理耗时仅为CPU的16.15％,功耗仅为CPU的13.7％.     

基于FPGA的Skynet网络结构优化及高时效实现

基于卷积神经网络（Convolutional Neural Network,CNN）的目标检测算法有着鲁棒性强、准确度高等优点，被广泛用于计算机视觉任务领域.然而，CNN参数量大、计算量大的特性使得其难以在边缘计算平台实时实现，为此，本文针对目标检测网络Skynet进行结构优化，并基于高效的层内并行流水的加速架构，在现场可编程门阵列（Field Programmable Gate Array,FPGA）上对其进行实时实现.该方法对Skynet进行剪枝，合并其卷积层与归一化层，利用（Kullback-Leibler,KL）相对熵及极大值量化方法对权重及特征图进行8 bit定点量化，同时将偏置参数及缩放系数定点化，并合并激活操作与饱和截断操作，在减少存储量和计算量的同时，加快前向推理速度.此外，以滑窗操作为基础，采用通道及像素并行计算，设计深度可分离卷积的流水策略，将串行的前向推理结构优化为并行流水的结构，极大减少了前向推理的时间.实验表明，在UA-DETRAC数据集上，本文实现的系统识别精度为0.752，在160×160的图像分辨率上，速度达到115FPS，与CPU相比，提速11倍，达到...     

乡村产业绿道选线适宜性评价研究

乡村产业绿道是在现有乡村绿道或美丽乡村精品线规划建设的基础上,以乡村产业融合发展为导向的线性空间规划设计,而乡村产业绿道规划建设的关键步骤就是规划选线.为探究乡村产业绿道规划选线的内在机制,在研究有关乡村产业绿道文献的基础上,提出了乡村产业绿道选线的基本特征,在GIS技术辅助绿道选线的思路下,选取产业资源层、服务需求层...