[发明专利]基于FPGA的可变形卷积网络运算方法、装置和系统

说明书

本申请提供的一种基于FPGA的可变形卷积网络运算方法、装置和系统，通过获取图像输入数据，经缓存处理后得到串行数据；将所述串行数据根据卷积尺寸大小进行匹配分割以得到多个待卷积片段；依据预设的增加了偏移向量的可变形卷积核及对应各所述带卷积片段的权值，按顺序依次对各所述待卷积片段进行卷积运算，以得到卷积输出结果。本申请通过该可变形卷积算法，实现任意卷积模型的运算，可有效提高卷积模块的图像检测精度，同时借用FPGA平台得到更好的硬件加速效果。

技术领域

本发明涉及卷积神经网络技术领域，特别是涉及一种基于FPGA的可变形卷积网络运算方法、装置和系统。

背景技术

图像分类一直是计算机视觉领域要解决的核心问题，卷积神经网络是一种多层感知器，具有强大的特征学习和抽象表达能力，多层的网络结构可直接将图像作为网络输入，通过训练获得图像特征，从而简化了特征提取过程。但是通常的卷积网络结构对文字及简单图形识别率高，但对大数据和复杂图片分类能力不足，过拟合也导致泛化能力较弱。

FPGA各个逻辑模块相互独立，并行处理计算能力强，广泛用于数字信号处理中，相比于当前广泛采用GPU来实现卷积神经网络的方式，基于FPGA来实现卷积神经网络的方式大大降低了设备成本，且因其具有良好的并行处理计算能力，其运算速度也并不逊色，基于FPGA来实现卷积网络也出现了越来越多的应用需求。

而现有一些基于FPGA实现卷积神经网络只能采用标准或传统的卷积核，还未能实现可变形卷积的运算，因此，现阶段有必要提出一种基于FPGA的可变形卷积网络运算方案。

发明内容

鉴于以上所述现有技术的缺点，本申请的目的在于提供一种基于FPGA的可变形卷积网络运算方法、装置和系统，已解决上述至少一个问题。

为实现上述目的及其他相关目的，本申请提供一种基于FPGA的可变形卷积网络运算方法，所述方法包括：获取图像输入数据，经缓存处理后得到串行数据；将所述串行数据根据卷积尺寸大小进行匹配分割以得到多个待卷积片段；依据预设的增加了偏移向量的可变形卷积核及对应各所述带卷积片段的权值，按顺序依次对各所述待卷积片段进行卷积运算，以得到卷积输出结果。

于本申请的一实施例中，所述可变形卷积核通过对深度固定的原始卷积核增加偏移向量以实现卷积深度可变；所述原始卷积核为固定大小的规则网格。

于本申请的一实施例中，所述可变形卷积核与所述权值为已训练的。

于本申请的一实施例中，所述卷积输出结果可以表示为：其中，y(a_n)为卷积输出结果；a_n为待卷积片段；w为权值，p_n为偏移向量。

为实现上述目的及其他相关目的，本申请提供一种实现可变形卷积网络的装置，所述装置包括：缓存数据，用于获取图像输入数据，经缓存处理后得到串行数据；可变形卷积模块，用于将所述串行数据根据卷积尺寸大小进行匹配分割以得到多个待卷积片段；依据预设的增加了偏移向量的可变形卷积核及对应各所述带卷积片段的权值，按顺序依次对各所述待卷积片段进行卷积运算，以得到卷积输出结果。

于本申请的一实施例中，所述可变形卷积模块还包括卷积核模块；所述卷积核模块包含多个可变形卷积核；所述可变形卷积核通过对深度固定的原始卷积核增加偏移向量以实现卷积深度可变；所述原始卷积核为固定大小的规则网格。

于本申请的一实施例中，所述可变形卷积模块还包括参数训练模块，用于训练所述可变形卷积核与所述权值，供所述可变形卷积模块依据需求调用。

于本申请的一实施例中，所述装置采用FPGA硬件架构，且卷积运算过程采用串行方式实现。

于本申请的一实施例中，所述FPGA硬件架构包括对所述串行缓存数据移位操作的位移寄存器，用于将所述串行数据根据卷积尺寸大小进行匹配分割以得到多个待卷积片段。