面向場景字符識別關鍵算法的多平臺異構加速研究.pdf

1、隨著智能手持設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用價值。場景字符識別技術引起了學術界的廣泛研究，在信息檢索、智能交通、實時翻譯、網頁檢索等方面有著廣泛的應用。由于自然場景圖像中的文字背景復雜、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關鍵步驟中最常用的HOG算法和CNN算法。針對場景字符識別應用下HOG算法和CNN算法串行實現(xiàn)存在高時延的缺陷，根據(jù)不同的設備特性并行設計和優(yōu)化了異構平臺的加速方案。在CPU+FPGA和CPU+GPU這兩種常用的異構加速平臺上加以實現(xiàn)和對比。
　　本文首先設計了HOG算法的兩種加速方案。對多內核(multiple kernels)HOG加速方案進行數(shù)據(jù)訪問優(yōu)化。在

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

4、訪存開銷。同時利用神經網絡權值共享的特點將數(shù)據(jù)高速緩存到設備端的片上內存。在此基礎上，針對FPGA設備的特點通過向量化和資源整合優(yōu)化，對GPU設備通過訪存聚合優(yōu)化。全連接采用矩陣乘法的一維并行方式，通過設備端的循環(huán)展開進行優(yōu)化。GPU設備還通過規(guī)約增加并行。
　　經實驗對比，單內核HOG加速方案在兩種平臺上均比多內核HOG加速方案性能更好。針對單內核HOG加速方案，GPU異構平臺獲得更高的加速比，其速度是FPGA的4.1倍；FPG