基于FPGA实现的卷积神经网络特征解码系统技术方案

本发明专利技术涉及到计算机视觉技术领域，尤其涉及到一种基于FPGA实现的卷积神经网络特征解码系统。该系统将CNN网络的特征解码模块也放到FPGA内部进行加速，解决FPGA加速方案中遇到的特征提取和特征解码速率不匹配的问题，所有功能都在FPGA中实现，也就是说加速效果完全取决于FPGA的性能，只要将两个部分的功能实现完全的流水化设计，就能达到FPGA加速效果的最大化。同时因为特征提取的结果不需要再经过DDR缓存，直接在片内进行处理，也降低了CNN网络处理的时延，甚至可以完全脱离处理器实现CNN网络的加速，达到芯片级别的计算加速效果。

【技术实现步骤摘要】
基于FPGA实现的卷积神经网络特征解码系统
本专利技术涉及到计算机视觉
，尤其涉及到一种基于FPGA实现的卷积神经网络特征解码系统。
技术介绍
当前卷积神经网络(CNN)已经被广泛运用于计算机视觉，工业检测，自然语言处理等多个领域。但受限于卷积神经网络的庞大计算量和存储要求，传统的通用处理器早已无法满足其实时性的要求，所以基于图形处理器(GPU)，专用集成电路(ASIC)和现场可编程门阵列(FPGA)等硬件平台的CNN加速器纷纷被提出。综合比较这些硬件平台，基于FPGA的CNN加速器具有开发周期短，能效收益高，可重构性高等优点，越来越受到大家关注。一个典型的CNN包含两个部分，特征提取部分和特征解码部分。特征提取部分用于产生图像不同特征的特征图，然后输出包含这些特征的低维向量给到特征解码部分。特征解码部分也可以理解为神经网络解码的过程，基于提取到的低维向量包含的特征信息，完成检测和分类等功能。CNN大部分的计算量都在于特征提取部分的卷积操作，如图1所示，现有的一些FPGA加速器方案都聚焦于加速特征提取部分，而特征解码部分还是要交由本文档来自技高网...

【技术保护点】
1.一种基于FPGA实现的卷积神经网络特征解码系统，其特征在于，所述系统包括有：/n相互连接的DDR缓存模块和FPGA，所述FPGA中设置有特征提取模块和特征解码模块，所述特征提取模块与所述特征解码模块连接。/n

【技术特征摘要】
1.一种基于FPGA实现的卷积神经网络特征解码系统，其特征在于，所述系统包括有：
相互连接的DDR缓存模块和FPGA，所述FPGA中设置有特征提取模块和特征解码模块，所述特征提取模块与所述特征解码模块连接。


2.根据权利要求1所述的基于FPGA实现的卷积神经网络特征解码系统，其特征在于，所述FPGA中设置有特征提取模块和特征解码模块，所述特征解码模块进一步包括有：函数变换模块、比较模块、非极大值抑制模块，所述函数...

【专利技术属性】
技术研发人员：张子义，翁荣建，荣义然，杨付收，
申请(专利权)人：逢亿科技上海有限公司，
类型：发明
国别省市：上海;31