《表1 YOLOv3-Tiny量化结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于FPGA的红外目标识别神经网络加速器设计》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

低比特神经网络的建立需要多轮训练。首先，使用全精度浮点形式从零开始训练网络至收敛；随后，对卷积层做低比特量化处理；然后，对卷积层和紧邻的全精度批归一化层进行融合，并再次量化；最后，对量化时的缩放因子进行比特移位量化。表1给出了YOLOv3-Tiny在红外数据集上量化后的精度，最终FPGA板上平均准确率（Mean Average Precision，mAP）损失控制在了7.1%。三类不同大小、不同数量的红外目标识别结果如图7所示。得益于本文提出的在训练中可变的缩放因子，可以看出，在权重限制在两个比特的情况下，对不同场景下的红外目标仍能提供准确的预测结果。