关于dac2018的信息

2018年6月28日，由电子自动化规划尖端会议DAC’2018主办的“低功耗方针检测体系规划应战赛”于加州旧金山于落下帷幕。来自中科院核算所的ICT-CAS团队和来自清华大学的TGIIF团队在全球114支参赛部队中锋芒毕露，分获GPU组和FPGA组的冠军。本届竞赛旨在为无人机规划高精度且高能效的物体检测体系，以满意实践杂乱场景的需求。竞赛使命极具应战性，参赛规划需求考虑小物体及被遮盖物体检测，需求区别同场景多个类似方针，也需求考虑检测速度及功耗等多方面要素。参赛部队来自清华大学、北京大学、中科院、UIUC、CMU、IBM、Cadence 等全球多个优异科研机构。

000501股吧,000501股吧

保利地产股票,保利地产股票

无人机在工业、农业、军事及消费级商场均有如土地测绘、巡检监测、物资配送、灾后救援等重要作用。其间，完结高精度且高能效物体检测是展开一切无人机使命的基本要素，也是本范畴急需进步的方向。因为航拍数据集（无人机视角）的缺失，进一步进步无人机物体检测体系变得愈加困难。

ix证券,ix证券

在这样的布景下，圣母大学的史弋宇教授，匹斯堡大学的胡京通教授，香港城市大学的余备教授和Cognite Ventures公司的CEO Christopher Rowen建议“低功耗方针检测体系规划应战赛”，并在DAC‘2018成功举行。该竞赛由Nvidia、Xilinx和DJI大疆立异资助，由圣母大学博士后徐小维和匹斯堡大学博士生张鑫燚进行评测。Nvidia和Xilinx分别为GPU和FPGA组的参赛部队供给免费的嵌入式核算设备TX2 GPU和PYNQ Z-1 FPGA。大疆立异为竞赛供给了高达150k份由无人机在实践环境中收集的数据并供给了精确标示。

竞赛中运用到的两种硬件渠道： TX2 GPU （左）和PYNQ Z-1 FPGA（右）

竞赛从2017年10月16日正式开端，于2018年5月28日完毕，共招引114支来自全球多个科研机构的部队参加。其间，53支部队参加GPU组竞赛，61支部队参加FPGA组竞赛。终究，两个组别前三名的部队将被约请至旧金山，在DAC’2018上承受颁奖。一起，获奖部队将能在大会上共享他们的规划并进行现场展现。

应战1: 小物体及遮盖物检测

因为一切图片均在无人机视角下拍照，很多图片中的待检测物体都十分小，且有很大的概率被树木和建筑物遮挡。这些物体自身的特征在如此小的标准下会大大进步检测的难度。

小物体检测：绿色框对应行进中的轿车为检测方针

应战2: 同一物体检测

与传统的物体检测不一样，本次竞赛需求参赛部队检测同一个物体。在无人机跟从运用中，无人机需求精确地检测出指定物体（如无人机控制者、车辆、动物等）并进行跟从飞翔。当场景呈现多个类似物体时，无人机也不能跟丢或跟错方针。此运用给物体检测带来了新的应战。

特定行人检测：绿色框对应的是正确的检测方针，蓝色和赤色狂均对应过错的行人。

应战3：高精度vs低功耗

竞赛选用的点评方针是精度，速度和能耗的结合（评分细则详见1）。考虑到GPU组及FPGA组运用了不同的核算才能硬件设备，竞赛对检测速度提出了不同的要求。其间GPU规划需运行至20 FPS，FPGA规划需到达5 FPS。

GPU组前三强

GPU组的前三名分别是中科院核算所的ICT-CAS团队，浙江大学的DeepZ团队和山东大学的SDU-Legend团队。三个部队均选用了深度学习完结竞赛，也都选用Yolo神经网络作为他们的根底规划。

GPU组第一名： ICT-CAS

ICT-CAS团队运用了feature extractor, tucker decomposition and precision scaling相关技能。在每一种详细的计划中尝试了多种技能回忆组合以削减核算和内存耗费。在核算中选用了半精度（16bits）进行核算并运用TensorRT来进步核算速度。

GPU组第二名： DeepZ

DeepZ团队运用Yolo-v2作为主干网络进行特征提取和检测。为了应对较小物体检测的问题，该团队运用了Feature Pyramid Network来取得上下文相关的特征。一起，focal loss function的引进来缓解单一物体检测与多个候选框的不平衡问题。该团队 对Yolo-v2网络进行了必定的改善，改善后的网络结构如下图所示。

GPU组第三名： SDU-Legend

SDU-Legend团队根据Yolo v-2进行优化。首要，该团队将Yolo v-2网络由32层删减为27层。其次，为了满意检测小方针的要求，该团队降低了下采样率。在体系层次，该团队也做了一些优化：将网络最终两层的核算放在CPU上进行。该团队完结了16bits的半精度核算来进一步进步核算速度。

FPGA组前三强

FPGA组的冠军是来自清华大学的TGIIF团队，亚军是苏黎世联邦理工大学的SystemsETHZ，第三名来自UIUC的iSmart2团队。这三支参赛部队分别在FPGA上布置了SSD，SqueezeNet和MobileNet神经网络，完结了竞赛要求的物体检测使命。

FPGA组第一名： TGIIF

TGIIF团队在选用了深鉴科技的硬件加速器架构DPU、全栈式东西链DNNDK和深度紧缩技能的根底上，从算法、软件和硬件对整个方针检测体系进行了全栈式的协同优化。经过选用硬件友爱的SSD网络和多线程优化技能，结合深度紧缩和定点练习，在确保辨认精度的前提下，满意了低功耗和实时性的要求。

FPGA组第二名： SystemsETHZ

SystemsETHZ团队运用低量化网络进行物体检测。特别的该团队选用squeezenet为根底进行规划，并将网络层数修改为18层。在详细的完结中，该团队选用了folded computing的方法来装备多路复用器和多路输出选择器从而完结神经网络不同阶段的核算。该团队运用一个DMA引擎完结CPU和FPGA间的数据传输。

FPGA组第三名： iSmart2

iSmart2组选用以Mobilenet为根底的轻量化网络规划，共12层。网络包括depth-wise 3x3卷积层，传统1x1卷积层和max pooling层，并选用简化的Yolo后端进行物体检测。在硬件完结上，该团队选用根据模块（IP）复用的结构，让相同品种的网络层复用同一个模块以节省硬件资源。此外，该团队将每层特征图切割成巨细相同的数据块，以数据块为单位进行核算，完结了数据块之间的细粒度流水线结构，以缩短图片的处理延时。