基于ZYNQ的通用型卷积神经网络设计与实现

针对基于FPGA平台的神经网络开发周期过长、调节网络模型麻烦等问题,设计了一种基于ZYNQ的通用型卷积神经网络模型。首先通过Tensorflow平台搭建神经网络并训练得到模型各层权重;其次利用高层次综合工具进行卷积层和池化层的IP核设计;然后在ZYNQ平台上部署模型;最后分别运行了Le Net-5和Alex Net-8神经网络进行验证。实验结果表明模型在只损失极少准确度的情况下,卷积与池化运算速度相比于ARM平台分别提高了3.65倍和2.31倍,并具备通用性。     

基于FPGA的改进四帧差分的运动目标检测算法

针对运输系统中运动目标在运动垂直方向上边缘信息缺失的问题及运动目标检测实时性差的缺点，提出了一种改进的融合边缘检测算法的四帧差分法，结合现场可编程门阵列(FPGA)芯片的并行工作特性，满足了运动目标检测的实时性要求。改进的四帧差分算法是采用间隔帧间差分的方式，将运动目标区域提取出来与边缘检测相融合，同时利用FPGA中多端口SDRAM图像缓存技术对实时图像进行缓存和输出。系统实现了对运输带上运动目标的检测，结果表明，该算法能够较好地解决在传统帧间差分法中运动目标在运动垂直方向上边缘缺失的问题，同时也能准确且实时地检测出待测运动目标。     

基于改进的Ａｌｅｘｎｅｔ的服装识别及ＦＰＧＡ加速实现

为了快速识别服装款式类型,针对现有的服装识别网络模型有所累赘以及速度响应仍然有待提升的问题,本文设计了一种改进的Alexnet。采用小卷积核替换大卷积核的方式减少计算量并提升识别准确度,相比于原神经网络提升了2个百分点；然后通过对网络进行权重提取,最后在FPGA进行网络搭建,通过FPGA的高运算功能进行加速,在稍微减少改进的Alexnet的准确度的情况下大幅度的提升了识别速度,相比于ARM平台提升了3倍。