.png){kind=icon}
返回
Combining FPGA parallelism and machine learning for efficient image convolution
.png){kind=icon}
PRE
AI
DOI：10.1088/2631-8695/ae655e.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能与深度学习的最新进展已改变依赖图像处理的多个领域，包括自动驾驶车辆、医学成像和先进监控系统。这些应用中的基本操作是图像卷积，它需要高精度和实时性能，因此要求高效的加速技术。现场可编程门阵列（FPGA）因其可重构性和固有的并行性而提供有吸引力的平台。本文提出了一种可扩展的基于FPGA的图像卷积架构，以Sobel滤波器作为案例研究。所提出的设计通过将计算分配到N个并行卷积核中利用并行处理，并在Vitis HLS 2024框架中采用硬件导向的优化，例如循环展开、流水线化和高效使用片上存储器。结果，该架构实现了与1/N成比例的实用延迟降低。实验结果表明，与现有架构相比，所提出的设计可将延迟降低高达73%，同时保持可比的资源利用率并消耗不到0.4 W，证明了其适用于低功耗边缘平台。此外，引入了一个基于机器学习（ML）的预测模型，用于估计给定FPGA配置的最佳并行核数量。评估了六种机器学习模型，包括决策树、随机森林（RF）、支持向量回归、K近邻、梯度提升和XGBoost。其中，RF和XGBoost在完整数据集上实现了高精度，并在跨家族评估中保持强大性能，显示出对未知FPGA平台良好的泛化能力。这些结果强调了结合FPGA加速与ML对于实时边缘计算中可扩展且高效的设计空间探索的有效性。
Keyword:
image convolution
edge detection
parallel processing
scalability
FPGAs
AI
ML
期刊
E
IF:
1.6
论文数:
2.1K
被引数:
0
机构
引用论文
The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation在回归分析评估中，决定系数R平方比SMAPE，MAE，MAPE，MSE和RMSE更具信息性
OAAI
OAAI分享收藏Low-Power Ultra-Small Edge AI Accelerators for Image Recognition with Convolution Neural Networks: Analysis and Future Directions低功耗超小型边缘AI加速器：基于卷积神经网络的图像识别分析及未来方向.png)
Electronics
OAAI
ElectronicsIF0
OAAI分享收藏Almomany, A. M., Jarrah, A. A., and Al Assaf, A. H. (2022a). Fcm clustering approach optimization using parallel high-speed intel fpga technology. J. Electr. Comput. Eng. 2022, 1–11. doi:10.1155/2022/8260283Almomany, A. M., Jarrah, A. A., and Al Assaf, A. H. (2022a). 使用并行高速Intel FPGA技术优化FCM聚类方法。J. Electr. Comput. Eng. 2022, 1–11. doi:10.1155/2022/8260283
IF0
PREAI
分享收藏Optimizing Deep Learning Acceleration on FPGA for Real-Time and Resource-Efficient Image Classification在FPGA上优化深度学习加速，实现实时且资源高效的图像分类OAAI
OAAI分享收藏Edge Detection Using Sobel Algorithm and YCbCr Colour Space Optimized on FPGA基于FPGA优化的Sobel算法与YCbCr色彩空间的边缘检测Informatica
InformaticaIF0
PREAI
分享收藏
查看更多内容