紫光fpga，cupt竞赛官网

2023年6月28日，电子自动化设计顶级会议DAC\’2023主办的“低功耗目标检测系统设计挑战赛”在美国加州旧金山落下帷幕。中国科学院计算技术研究所ICT-CAS代表队和清华大学TGIIF代表队在来自全球的114支参赛队伍中脱颖而出，分别获得GPU组和FPGA组冠军。本次竞赛旨在为无人机设计一种高精度、节能的物体检测系统，满足复杂的现实场景的需求。参与式设计极其困难，因为它们需要检测微小或隐藏的物体，需要区分同一场景中的多个相似目标，并且需要考虑检测速度和功耗等各种因素。参赛团队来自清华大学、北京大学、中国科学院、UIUC、CMU、IBM、Cadence等全球众多领先科研机构。

无人机在工业、农业、军事、消费市场等领域发挥着重要作用，包括国土测绘、巡检监控、物资配送、灾后救援等。最重要的是，实现高精度和节能的目标检测是执行所有无人机任务的基本要素，并且迫切需要在该领域进行改进。航空摄影数据集（无人机视角）的缺乏使得进一步改进无人机物体检测系统变得更加困难。

对此，圣母大学施一宇教授、匹兹堡大学胡靖同教授、香港城市大学于贝教授以及Cognite Ventures首席执行官Christopher Rowen推出了“低功耗目标检测系统”。塔。 “设计挑战赛”在DAC\’2023上成功举办。该竞赛由Nvidia、Xilinx和DJI赞助，由圣母大学博士后研究员徐晓伟和匹兹堡大学博士生张欣怡担任评审。 Nvidia和Xilinx将分别向GPU组和FPGA组的参赛团队免费提供嵌入式计算设备TX2 GPU和PYNQ Z-1 FPGA。大疆创新为大赛提供了无人机在现实环境中收集的多达15 万条数据，以提供准确的注释。

比赛中使用的两种硬件平台：TX2 GPU（左）和PYNQ Z-1 FPGA（右）

大赛于2023年10月16日正式开赛，至2023年5月28日结束，共有来自全球多个科研机构的114支队伍参赛。其中，53支队伍参加GPU组比赛，61支队伍参加FPGA组比赛。最后，两个类别的前三名团队将被邀请前往旧金山在DAC\’2023 上领奖。同时，获奖团队将能够在会议上分享他们的设计并进行现场演示。

挑战1: 小物体和障碍物检测

所有照片都是从无人机的角度拍摄的，因此许多照片中检测到的物体非常小，很可能被树木或建筑物隐藏。这些物体本身的特性大大增加了如此小尺度的检测难度。

小物体检测：绿色框对应待检测移动的汽车。

挑战2: 检测相同的物体

与传统的物体检测不同，本次比赛要求参赛队伍检测同一物体。在无人机跟踪应用中，无人机必须准确检测和跟踪指定的物体（无人机操作员、车辆、动物等）。如果场景中出现多个相似的物体，无人机永远不会丢失或跟踪错误的物体。该应用给物体检测带来了新的挑战。

具体行人检测：绿色框对应正确的检测目标，蓝色和红色框对应错误的行人。

挑战三：高精度VS低功耗

比赛中使用的评估指标是准确性、速度和能量消耗的组合（得分详细信息请参见1）。考虑到GPU和FPGA组使用不同计算能力的硬件设备，竞争对手对检测速度提出了不同的要求。 GPU 设计必须以20 FPS 运行，FPGA 设计必须达到5 FPS。

前3 个GPU 组

GPU组前三名分别是来自中国科学院计算技术研究所的ICT-CAS团队、来自浙江大学的DeepZ团队和来自山东大学的SDU-Legend团队。三支队伍均使用深度学习来完成比赛，并使用Yolo 神经网络作为基本设计。

GPU组第一名：ICT-CAS

ICT-CAS团队使用了特征提取、Tucker分解和精确缩放相关技术。针对每个特定场景尝试了不同的内存技术组合，以减少计算和内存消耗。使用半精度（16位）进行计算，并使用TensorRT来加速计算。

GPU组第二名：DeepZ

DeepZ团队使用Yolo-v2作为主干网络进行特征提取和检测。为了解决检测较小物体的问题，该团队使用特征金字塔网络来捕获上下文相关特征。同时引入焦点损失函数来缓解单个目标检测和多个候选框之间不平衡的问题。团队对Yolo-v2 网络进行了一定的改进。改进后的网络结构如下图所示。

GPU组第三名：SDU-Legend

SDU-Legend团队基于Yolo v-2进行优化。首先，团队将Yolo v-2 网络从32 层减少到27 层。随后，团队降低了下采样率，以满足检测小目标的要求。在系统层面，团队还做了一些优化，将网络中最后两层的计算放在CPU上。团队实现了16位半精度计算，进一步加快计算速度。

FPGA组前3名

FPGA组冠军为来自清华大学的TGIIF团队，亚军为来自苏黎世联邦理工学院的SystemsETHZ团队，季军为来自UIUC的iSmart2团队。三个参赛团队分别在FPGA 上部署了SSD、SqueezeNet 和MobileNet 神经网络，完成比赛所需的物体检测任务。

FPGA组第一名：TGIIF

TGIIF团队采用深鉴科技的硬件加速架构DPU、全栈工具链DNNDK以及深度压缩技术，对整个目标检测系统从算法、软件、硬件进行全栈协同优化。采用硬件友好的SSD网络和多线程优化技术，结合深度压缩和定点训练，在保证识别精度的同时满足低功耗和实时性的要求。

FPGA 组第二名：SystemsETHZ

SystemsETHZ 团队使用低量化网络进行对象检测。具体来说，团队使用squeezenet作为设计基础，并将网络层数改为18层。在具体实现中，团队使用折叠计算来配置多路复用器和多个输出选择器，以实现神经网络不同阶段的计算。该团队使用DMA 引擎在CPU 和FPGA 之间传输数据。

FPGA组第三名：iSmart2

iSmart2组采用基于Mobilenet的轻量级网络设计，共有12层。该网络包括深度3×3 卷积层、传统1×1 卷积层和最大池层，并使用简化的Yolo 后端进行对象检测。在硬件实现上，团队采用了基于模块（IP）复用的结构，允许同一类型的网络层复用相同的模块，以节省硬件资源。此外，通过将特征图的每一层划分为相同大小的数据块并以数据块为单位进行计算，我们实现了数据块之间的细粒度流水线结构，并减少了图像处理延迟。