《表3 FPGA加速效果：基于FPGA的卷积神经网络定点加速》
提示：宽带有限、当前游客访问压缩模式
针对人脸检测模型，与文献[20-21]方法相比，采用本文方法，在功耗增加很小的情况下，FPGA具有更高的运算峰值，加速效果更好，实验结果如表3所示。
| 图表编号 | XD00222683700 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.10.10 |
| 作者 | 雷小康、尹志刚、赵瑞莲 |
| 绘制单位 | 北京化工大学信息科学与技术学院、中国科学院自动化研究所、中国科学院自动化研究所、北京化工大学信息科学与技术学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 定点量化卷积加速效果》2020.10.10
- 《表2 资源利用情况：基于FPGA的卷积神经网络定点加速》2020.10.10
- 《表2 4种方法结果对比：基于FPGA的油棕检测和硬件加速设计及实现》2021.02.01
- 《表6 不同基于FPGA的CNN加速器的比较》2021.03.10
- 《表5 基于FPGA的VGG加速器对比》2021.02.06
- 《表3 FPGA加速器性能对比》2020.11.15
- 《表2 测试加速度计零偏：基于FPGA的多轴惯性器件同步采集的软硬件设计》2020.08.20
- 《表3:FPGA硬件实现：一种支持稀疏卷积的深度神经网络加速器的设计》2020.02.15
- 《表3 计算平台性能比较：基于ARM+FPGA平台的二值神经网络加速方法研究》2020.03.01
- 《表4 神经网络FPGA加速器比较》2020.03.01
- 《表1 神经网络模型：基于ARM+FPGA平台的二值神经网络加速方法研究》2020.03.01
- 《表1 资源使用量：基于FPGA加速的卷积神经网络识别系统》2020.02.06
- 《表2 FPGA资源消耗：弹载人工智能可重构卷积加速器设计》2019.09.01
- 《表2 FPGA资源耗费：基于Zynq7000 FPGA异构平台的YOLOv2加速器设计与实现》2019.10.01
- 《表1 资源耗费比较：基于Zynq7000 FPGA异构平台的YOLOv2加速器设计与实现》2019.10.01
- 《表1 节点信息：基于FPGA的递归神经网络加速器的研究进展》2019.08.15
- 《表1 节点信息：基于FPGA的递归神经网络加速器的研究进展》2019.08.15
- 《表2 加速测试结果：基于虚拟FPGA的数据库运算加速装置设计》2019.12.25
- 《表1 摸底测试结果：基于虚拟FPGA的数据库运算加速装置设计》2019.12.25
- 《表2 驱动接口参数说明：基于FPGA的CNN应用加速技术》2019.12.25