< Terug naar vorige pagina

Project

Optimalisatie van Deep Learning technieken op FPGA voor industriële beeldverwerkingstoepassingen

Betrouwbare objectdetectiemethoden liggen mee aan de basis van verschillende industriële toepassingen (bijv. autonome auto's, detectie van abnormale gedragingen in bewakingsbeelden, etc.). Traditioneel werken dergelijke methodologieën met zelfgekozen objectkenmerken. Al enkele jaren is er een toenemende interesse vanuit zowel academische als industriële onderzoeksgroepem om  deep learning technieken te implementeren die merkbaar beter presteren, oa op vlak van nauwkeurigheid. De grote nodige hoeveelheid rekenwerk van dergelijke algoritmen beperken echter hun gebruik in real-time industriële toepassingen op kleine en draagbare apparaten, waarbij alle verwerking on-board gebeurt en waarbij men gebonden is aan strikt vermogenbudget. Typisch de belangrijkste eigenschappen van de hardware van deze ingebedde systemen zijn de rekenkracht, de flexibiliteit van programmeren, het vermogenverbruik, de ontwikkelingstijd tov de kosten, de printplaat-grootte,... Bestaand onderzoek toont aan dat bij het implementeren van deep learning algoritmes, state-of-the-art FPGA's een valabel alternatief kunnen zijn voor GPU's. Vooral op vlak van vermogenverbruik, de flexibele (her-)programmatie en mogelijkheden tot gebruik van pipelining en parallellisatie, zijn er verbeteringen mogelijk. In dit doctoraat zullen we methoden onderzoeken om de implementaties van (bestaande / pretrained) neurale netwerken op FPGA's verder te verbeteren en te versnellen. Hierbij houden we rekening met de hardwarebeperkingen en specificaties van zowel low-cost en / of high-end FPGA's. We zullen voortdurend letten op de toepasbaarheid en het gebruiksgemak van deze technieken, zodat ze makkelijk door industriële spelers kunnen worden toegepast. Daarnaast zullen we nauw samenwerken met industriële bedrijven en zullen we realistische case-studies met beeldverwerkende toepassingen (persoonsdetectie en persoonsidentificatie, gedragsdetectie, ...) gebruiken om de resultaten van ons onderzoek te staven.

Datum:25 sep 2017 →  14 sep 2018
Trefwoorden:FPGA, Deep Learning, Convolutional Neural Networks
Disciplines:Sensoren, biosensoren en slimme sensoren, Andere elektrotechniek en elektronica
Project type:PhD project