基于异构多核平台的Caffe框架物体分类算法实现与加速

摘要：

随着深度学习的快速发展,神经网络和深度学习算法已经广泛应用于图像处理.基于FPGA的神经网络加速设计,搭建了以快速特征嵌入的卷积结构(Caffe)框架、卷积神经网络为核心的物体识别系统,该系统使用Zynq-7000系列异构多核架构芯片实现.完成了神经网络模型与参数的移植、多层结构的神经网络构建、计算密集度分析以及硬件加速设计.结果 表明,设计的基于异构多核平台的Caffe框架物体分类系统实现了物体的识别和分类,且识别速度远超传统CPU架构的识别速度,从而为后续的深入研究提供一种新思路.

关键词：Caffe框架、ZYNQ、卷积神经网络、物体分类

所属期刊栏目：19

分类号：TP391.4(计算技术、计算机技术)

在线出版日期：2019-06-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：16-21