面向場景字符識別關(guān)鍵算法的多平臺異構(gòu)加速研究.pdf

1、隨著智能手持設(shè)備的廣泛普及與人工智能高速發(fā)展，圖像和視頻成為主要的媒體信息傳遞方式。圖像和媒體信息中包含了大量的自然場景，其中的文字信息具有重要的應(yīng)用價(jià)值。場景字符識別技術(shù)引起了學(xué)術(shù)界的廣泛研究，在信息檢索、智能交通、實(shí)時(shí)翻譯、網(wǎng)頁檢索等方面有著廣泛的應(yīng)用。由于自然場景圖像中的文字背景復(fù)雜、光照變化、多變字體等因素，使得其檢測與識別算法更加困難。隨著場景字符算法的復(fù)雜性和圖像處理工程規(guī)模的增長，大量的數(shù)據(jù)處理將消耗過多時(shí)間和能量，急需更

2、快和高能效的解決方案。本文針對場景字符識別中的文本定位和字符識別兩個(gè)關(guān)鍵步驟中最常用的HOG算法和CNN算法。針對場景字符識別應(yīng)用下HOG算法和CNN算法串行實(shí)現(xiàn)存在高時(shí)延的缺陷，根據(jù)不同的設(shè)備特性并行設(shè)計(jì)和優(yōu)化了異構(gòu)平臺的加速方案。在CPU+FPGA和CPU+GPU這兩種常用的異構(gòu)加速平臺上加以實(shí)現(xiàn)和對比。
　　本文首先設(shè)計(jì)了HOG算法的兩種加速方案。對多內(nèi)核(multiple kernels)HOG加速方案進(jìn)行數(shù)據(jù)訪問優(yōu)化。在

3、此基礎(chǔ)上，針對 FPGA設(shè)備的特點(diǎn)進(jìn)行循環(huán)展開和向量化優(yōu)化，對GPU設(shè)備規(guī)約增加并行。對于單內(nèi)核(single kernel)HOG加速方案同樣進(jìn)行數(shù)據(jù)訪問優(yōu)化，對FPGA設(shè)備和GPU設(shè)備采用不同的方法克服局部內(nèi)存寫沖突。從系統(tǒng)層面設(shè)計(jì)了HOG特征提取和SVM特征分類的主機(jī)和設(shè)備間流水方案。
　　其次設(shè)計(jì)了CNN算法的加速方案。在設(shè)備端通過卷積內(nèi)核和全連接內(nèi)核對該算進(jìn)行加速。卷積內(nèi)核通過合并卷積、池化和激勵多種運(yùn)算來減少內(nèi)核數(shù)目和

4、訪存開銷。同時(shí)利用神經(jīng)網(wǎng)絡(luò)權(quán)值共享的特點(diǎn)將數(shù)據(jù)高速緩存到設(shè)備端的片上內(nèi)存。在此基礎(chǔ)上，針對FPGA設(shè)備的特點(diǎn)通過向量化和資源整合優(yōu)化，對GPU設(shè)備通過訪存聚合優(yōu)化。全連接采用矩陣乘法的一維并行方式，通過設(shè)備端的循環(huán)展開進(jìn)行優(yōu)化。GPU設(shè)備還通過規(guī)約增加并行。
　　經(jīng)實(shí)驗(yàn)對比，單內(nèi)核HOG加速方案在兩種平臺上均比多內(nèi)核HOG加速方案性能更好。針對單內(nèi)核HOG加速方案，GPU異構(gòu)平臺獲得更高的加速比，其速度是FPGA的4.1倍；FPG