29、基于卷积神经网络的低级别FPGA视频恢复方案

基于卷积神经网络的低级别FPGA视频恢复方案

1. 引言

目前许多系统设计方法是针对高级FPGA实现进行优化的，这类FPGA拥有丰富的处理资源。而低级别FPGA在逻辑门和内存带宽方面的计算资源非常有限。因此，提出了一种针对低级别FPGA的卷积神经网络（CNN）优化设计。该方法通过分析网络超参数与峰值信噪比（PSNR）值的变化来减少网络的模型参数，还将CNN的权重量化为4位、8位和16位定点精度，以显著减少内存带宽需求，实现低级别FPGA的运行速度提升。实验表明，该CNN在视频恢复方面能达到与普通32位浮点格式相似的PSNR客观质量，且在低级别FPGA上的功耗比CPU和GPU实现低8倍，具有实际应用价值。

2. 背景知识

2.1 卷积神经网络

典型的卷积神经网络（CNN）由多个计算层组成，包括卷积层和激活层。卷积层对上一层的输入特征图进行卷积操作，生成下一层的输出特征。一个卷积层的伪代码如下：

for(output_channel=0; output_channel<input_channels;output_channel++){
    for(input_channel=0;input_channel<input_channels;input_channel++){
        for(input_row=0;input_row<input_rows;input_row++){
            for(input_col=0;input_col<input_cols;input_col++){
                for