PYNQ框架的高精度异构无预选框检测模型实现

由于深度卷积网络的参数量及计算量过大,多尺度目标检测网络难以快速高精度地部署在许多资源及功耗受限的平台上。为解决此问题,本文基于Python productivity for ZYNQ(PYNQ)框架实现了无预选框检测模型CTiny的IP核设计及异构系统架构部署。首先,提出在卷积核中分段量化整体缩放系数的方式,使得预训练的高精度算法低损地部署于可编程门阵列(field programmable gate array,FPGA)上;其次,基于PYNQ框架实现了CTiny模型的系统搭建,包含ResNet主干网络、反卷积网络和分支检测网络;最后,将图片预处理及后处理等耗时计算从串行的ARM端移入并行的FPGA中,进一步缩减了总处理时长。实验结果表明:在PYNQ-Z2开发板上部署CTiny模型后,本文所提量化方式在公开光学遥感数据集NWPU VHR-10的平均检测精度达到81.60%,相较于截断量化提升了14.27%,实现了部署精简无预选框检测网络的精度低损耗的需求,且后处理的处理时长由ARM端的9.228 s缩减为了FPGA端的0.008 s,提高了检测模型的速度。

基于Anchor-free架构的行人检测方法

使用无预选框(Anchor-free)的检测框架,设计了一种行人检测算法。将深度残差网络(ResNet)作为特征提取网络,与特征金字塔网络(FPN)结构相结合,使用了多尺度预测的方式进行预测。把目标中心点和尺寸作为一种高级的语义特征,将含有更多细节信息的浅层特征图和含有更多语义信息的深层特征图进行融合。在Citypersons数据集上进行了实验验证,相较现有行人检测算法,提出的算法在轻微遮挡、一般遮挡和严重遮挡情况下漏检率分别提升了1.11%~3.01%,0.15%~6.55%和0.59%~6.39%,检测效果更好。