Mar, 2018

基于 FPGA 的混合高效卷积算法的人脸识别

HTML
PDF
TL;DR本研究通过探索多种快速卷积算法，包括Winograd和FFT，并发现了一种将它们应用于不同类型卷积的最佳策略；实现在基于高级综合的可配置IP人脸识别加速系统中使用FaceNet，并利用并行化的优化方案在新型CNN体系结构上，实现比高端NVIDIA GPU快3.75倍的延迟加速，并显著超过先前的FPGA结果。
发现论文，激发创造
  • 使用FBFFT的快速卷积神经网络：GPU性能评估

    本文研究了卷积神经网络在当前NVIDIA图形处理器上的性能，介绍了两种新的快速傅立叶变换卷积实现，对于整个CNN，fbfft比cuFFT快1.5倍以上，并且对于许多普通的卷积层，速度也比NVIDIA的cuDNN实现 快（达到了一些合成内核配置的23.5倍）。

    Dec, 2014

  • 卷积神经网络的快速算法

    研究使用Winograd最小滤波算法加速卷积神经网络在GPU上的训练，以满足自动驾驶汽车行人检测和移动电话图像识别的低延迟和有限资源处理要求。

    Sep, 2015

  • 基于FPGA的深度学习：过去、现在和未来

    本文综述以硬件加速为视角，探讨深度学习及可编程门阵列的发展趋势和革新，旨在讨论 FPGAs 在更好地为深度学习社区提供服务方面的最佳应用。

    Feb, 2016

  • 咖啡因 FPGA：用于卷积神经网络的 FPGA 框架

    本文介绍了一种修改版CNN框架Caffe，该框架支持FPGA实现，并使用Xilinx SDAccel环境实现了基于FPGA的Winograd卷积引擎，能够与其他运行在主机处理器上的层一起运行几个流行的CNN模型，取得了50 GFLOPS的成果。

    Sep, 2016

  • FINN: 快速可伸缩二值神经网络推理框架

    本文介绍FINN，一种用于构建快速、灵活的FPGA加速器的框架，该框架使用灵活的异构流式架构，并利用一组优化，将二值化神经网络映射到硬件上，从而实现完全连接、卷积和池化层，同时满足用户提供的吞吐量要求。在低于25W的总系统功率下，该平台在MNIST数据集上表现出高达1230万次图像分类每秒，0.31微秒的延迟和95.8％的准确率，在CIFAR-10和SVHN数据集上表现出21906次和283微秒的延迟、80.1％和94.9％的准确率，这是目前这些基准测试中报道的最快的分类率。

    Dec, 2016

  • Arria 10 上的 OpenCL(TM) 深度学习加速器

    利用深度学习加速器（DLA）和 Winograd 变换技术，我们在 Intel Arria 10 设备上实现了1020图像/秒的性能，比 FPGA 上最先进的技术快10倍，同时也具有5.8倍的更高效率，并且与 nVidia TitanX GPU 上基于 AlexNet 的最佳公开实现比 23 img/s/W 具有竞争力。

    Jan, 2017

  • 用于在FPGAs上映射卷积神经网络的工具流：调查和未来方向

    本文综述了现有的CNN-to-FPGA工具流，包括应用支持、架构选择、设计空间探索方法和性能等关键特性的比较研究，提出了最新CNN算法研究引入的主要挑战和目标，并提出了一种统一的评估方法，旨在全面、完整和深入地评估CNN-to-FPGA工具流。

    Mar, 2018

  • 基于FPGA的卷积运算加速解决方案

    本文介绍了一种基于硬件加速的卷积操作FPGA架构，旨在实现单层卷积的处理，以推出一种边缘AI解决方案IP核，实验结果表明它的峰值运算性能可达4.48 GOPS。

    Jun, 2022

  • FFCNN：基于FPGA的卷积神经网络推理快速加速

    本文介绍了一种基于OpenCL的卷积神经网络加速器设计，称为FFCNN，它包括数据重用和任务映射技术，这些技术可以在大规模图像分类中提高性能和资源利用率。

    Aug, 2022

  • 基于FPGA的可重构卷积-变换器混合高效ViT加速器

    本研究提出了一种基于FPGA的加速器，用于提高Vision Transformers的硬件效率，其中采用了可重构的架构以支持各种操作类型，并通过时分复用和流水线数据流来降低片外数据访问成本，实验证明其在Xilinx ZCU102 FPGA上能够显著优于之前的工作，达到了高达780.2 GOPS的吞吐量和105.1 GOPS/W的能效比。

    Mar, 2024