无人车地面目标识别及其优化技术研究

发布时间：2024-02-03 02:22

　　针对智能目标识别算法在无人车嵌入式硬件上的应用需求,研究基于卷积神经网络的地面目标识别算法及其硬件适应性优化技术,提出了基于双正则项的自适应网络裁剪优化算法及面向FPGA的神经网络INT8量化优化算法。针对裁剪及量化后的YOLO V3算法,完成了基于Xilinx公司的UltraScale+MPSoC系列的XCZU7EV器件验证平台的智能算法程序部署,并利用无人车的可见光数据集和红外数据集进行了仿真验证。结果表明,YOLO V3算法在两类优化算法有效结合并保持网络精度的前提下,在无人车嵌入式硬件平台上可获得4.5倍的加速比,能够满足无人车地面目标识别的精度与实时性要求。所提出的优化算法思想为神经网络在嵌入式硬件平台上的部署提供了新的技术思路。

【文章页数】：9 页

【部分图文】：

图1YOLOV3网络的组合式卷积形式

YOLOV3网络共计107层，在特征提取时采用了Darknet53的网络结构，同时借鉴残差网络的思想建立层间的连接。YOLOV3网络独有的组合式卷积形式如图1所示。其中，Conv2D层、BatchNorm层及LeakyRelu层，可视为统一的卷积处理层，一起构成YOLO....

图2边界框预测示意图

YOLOV3网络的边界框预测示意图如图2所示，当预测边界时，假设cx和cy是相对于特征图预先划分方格左上角的距离，并且每个单元格的长度是1，即cx=1,cy=1。边框预测计算过程如公式（1）所示，计算结果为边界框坐标值bx、by、bw和bh，即边界框相对于特征图的位置和大小。为....

图3网络结构裁剪前后的对比示意图

神经网络裁剪过程如图3所示，通过剪枝、剪神经元的方式，借助最优计算，可以在对网络裁剪的同时，保持网络模型的精度。较为基础的裁剪方法是裁剪滤波器。裁剪滤波器是一种先裁剪后重新训练的方法，通过阈值设定裁剪掉每层当中较低权值的连接，从而有效降低模型复杂度。

图4裁剪与训练协同计算流程图

(3）进行训练与裁剪的协同计算，并反复迭代从而获得最优的裁剪后网络。裁剪与训练协同计算流程如图4所示，通过微调，可以较快收敛到最优网络；通过反复迭代，可获得更高的压缩比。网络裁剪的核心目的是在保持网络精度的前提下，对网络进行压缩。本文所提出的神经网络自适应裁剪算法，可以显著保持裁....

本文编号：3893547