面向资源受限嵌入式平台的轻量级气象图像分类FPGA加速器设计与实现

《Photonics》：A Resource-Efficient FPGA Architecture for Real-Time Classification of Optical Weather Images

　　

摘要

对光学气象图像进行实时分析对资源受限的嵌入式视觉系统至关重要。然而，深度学习模型的计算开销限制了其在资源受限平台上的部署。本文提出了一种资源高效的可编程逻辑阵列架构，用于六类气象图像分类。一种轻量级卷积神经网络WeatherNet采用深度可分离卷积来降低模型复杂度，同时保持识别性能。一种数据流感知加速器通过片上特征复用、优化的数据移动和流水线计算来提高内存效率。所提出的设计采用软硬件协同设计方法在赛灵思ZYNQ-7020 FPGA上实现。评估使用标注为多云、露水、闪电、雨天、沙尘暴和日出的地面RGB图像。浮点WeatherNet达到94.08%的准确率，而部署的定点FPGA实现在相同测试集上达到93.75%的准确率。WeatherNet包含12,647个参数，卷积层和全连接层每张图像需要1042.6万次乘累加操作。FPGA实现在100 MHz频率下达到200帧每秒的处理速度。基于估计的片上功耗2.201瓦，相应的能效为90.87帧每秒/瓦。这些结果表明，在所评估的FPGA平台上，所提出的架构在气象图像分类方面是可行的。