吕 浩,张盛兵,王 佳,刘 硕,景德胜
1.西北工业大学 计算机学院,西安710072
2.中国航空工业集团公司 西安航空计算技术研究所,西安710065
近年来,随着深度学习(Deep Learning)技术的发展,卷积神经网络(Convolutional Neural Network,CNN)在目标检测、人脸识别等机器视觉领域广泛应用。由于CNN的算法复杂度对运行平台的计算要求较高,目前通常采用的是GPU(Graphics Processing Unit)来实现。深度学习一般分为两个阶段:训练和推断,学习阶段可以采用GPU或CPU来实现,但在推断阶段较多为嵌入式使用场景,对系统往往有体积、功耗、实时和性能等多目标约束,FPGA(Field Programmable Gate Array)的实现方式更具有优势[1]。FPGA低功耗、低延时和可重构,适合CNN的并行加速。目前已有一些基于FPGA的神经网络研究,例如CNN的FPGA数字识别仿真结果可达到95.4%的识别率[2]等。
在嵌入式电子系统的微型化方面,微系统技术得到了越来越多的重视,而SIP和SOC是微系统实现的两种重要技术途径。伴随着微组装技术的发展,SIP和SOC相比,可以将不同类型的器件和电路芯片叠在一起,构建成更为复杂的、完整的系统,其集成方式更灵活,在研发周期、成本方面具有优势,弥补了SOC的不足。SIP与SOC的结合是未来微型化的趋势。
目标识别与分类微系统技术在军民用领域都有着广泛的应用需求。民用和军用小型无人机目标识别系统迫切需要微型化,美国在其航空设备上也已经大量使用SIP芯片技术。研制基于CNN的SIP微系统,实现CNN的轻量化,以手写数字识别作为测试,一方面满足了金融等领域自动化识别手写数字的迫切需求,另一方面为进一步研究目标识别与分类微系统技术奠定基础。……