申请/专利权人：重庆邮电大学

申请日：2023-11-16

公开（公告）日：2024-04-26

公开（公告）号：CN117935025A

主分类号：G06V10/94

分类号：G06V10/94;G06N3/0464;G06N3/0495;G06N3/045;G06N3/096;G06V10/764;G06V10/82;G06N3/082

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明请求保护一种基于FPGA和量化蒸馏的图像分类异构硬件加速方法，属于故障诊断领域，所述方法包括量化、知识蒸馏算法部分和硬件加速部分，整体以深度神经网络作为基础框架，通过量化蒸馏压缩模型，结合FPGA异构加速技术，通过HLS编译，软硬件协同开发IP核和堆栈开发实现算法嵌入式移植，教师网络选择GHOSTNETV2网络，通过通道剪枝和量化实现优化型轻量网络；学生网络基于深度可分离卷积，winograd加速算法和量化技术实现了轻量网络；最后引入离线蒸馏模式实现硬件友好型网络；硬件部分选择HLS实现C\RTL联合编译IP核，VITISAI堆栈开发部署到XILINX公司的MPSOC架构板卡ZYNQ。本发明不仅提高了目标分类设备的便携利用程度和效率，同时降低了成本。

主权项：1.一种基于FPGA和量化蒸馏的图像分类异构硬件加速方法，其特征在于，包括以下步骤：步骤1，获取图像数据集样本，采集所需分类图像特征信息，制作目标训练集和测试集；步骤2，对骨干网络GHOSTNETV2网络模型进行改进，包括增加注意力分支模块，增强扩展的特征；网络压缩，减少冗余的1x1卷积层，减少堆叠的倒残差模块；量化减少参数量和计算量，得到教师网络；步骤3，利用步骤S1中获取的数据集对步骤2中改进后的教师网络模型结构进行训练，迭代得到轻量型教师网络模型；步骤4，构建基于DSC深度可分离卷积的特征分类学生网络；步骤5，训练学生网络模型及输出，对步骤4中得到的学生网络模型进行微调优化；步骤6，利用步骤S1中获取的训练样本对步骤5中构建的轻量型学生网络模型结构进行训练，迭代得到轻量型网络模型；步骤7，对步骤6得到的轻量型网络模型进行误差分析和优化；步骤8，将步骤3得到的教师网络模型与步骤7得到LSYNET1网络模型进行知识蒸馏；步骤9，由步骤8中得到的网络模型编译实现IP核；步骤10，将步骤9编译好的模型部署到边缘设备，输入权重，与主机连接搭建异构平台；步骤11，故障诊断，利用步骤10部署到边缘设备上的网络模型对步骤1中的图像数据集进行分类识别，实现异构平台上的硬件加速。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种基于FPGA和量化蒸馏的图像分类异构硬件加速方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD