相关实验视频
Updated: Jun 9, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
LDF-BNN:基于改进的BNext的实时和高精度二元神经网络加速器
Rui Wan1,2, Rui Cen1,2, Dezheng Zhang1,2
1Institute of Information Science, Beijing Jiaotong University, Beijing 100044, China.
Micromachines
|October 26, 2024
概括
本研究引入了二进制神经网络 (BNN) 与分层数据融合 (LDF-BNN),以提高工业缺陷检测的准确性,同时降低计算成本. 在ImageNet和缺陷检测任务上,LDF-BNN实现了高性能,使其适用于边缘设备.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 硬件加速器 硬件加速器
背景情况:
- 深度神经网络 (DNN) 擅长用于工业缺陷检测的特征提取,但对于边缘设备来说计算密集.
- 传统的二进制神经网络 (BNNs) 提供了效率,但受到精度下降的影响.
研究的目的:
- 开发一个高效的二进制神经网络 (BNN) 具有层级数据融合 (LDF) 机制,以解决工业缺陷检测中的准确性和计算挑战.
- 为拟议的LDF-BNN.设计一个优化的硬件加速器架构.
主要方法:
- 基于BNext构建了一个分层数据融合BNN (LDF-BNN),结合了分层数据融合机制,以最大限度地减少带宽压力和准确性损失.
- 设计了一种高效的硬件加速器架构,具有多存储并行性,以提高复杂的BNN模型的计算效率和性能.
主要成果:
- 在ImageNet数据集上,LDF-BNN实现了72.23%的准确性,72.6 FPS和1826个GOP.
- 在工业缺陷检测方面具有很高的适用性,在混合WM-38数据集上达到98.70%的准确性.
- 在综合性比较,平衡精度和计算效率方面超越现有方法.
结论:
- 拟议的LDF-BNN有效地减轻了BNN中的精度降解问题,同时保持了较低的计算和内存需求.
- 开发的硬件加速器架构提高了LDF-BNN模型的性能,使它们适合在边缘设备上实时进行工业缺陷检测.
