基于FPGA的卷积神经网络和视觉Transformer通用加速器在计算机视觉领域具有重要的应用前景。未来的研究方向可以包括: 1.将卷积神经网络和视觉Transformer相结合,提出更为高效的模型架构。 2.进一步优化FPGA的设计和编程工具,降低开发门槛和提高设计效率。 3.探索融合硬件和软件的深度学习加速器设计,实现更高性能和更低功耗的...
•本研究的目标是设计并实现一个基于FPGA的卷积神经网络和视觉Transformer通用加速器网络，以提高深度学习算法的计算效率和性能。•主要研究内容包括•设计一个适用于不同深度学习算法的通用加速器架构；•实现高效的卷积神经网络和视觉Transformer模型的并行计算；•优化内存访问以减少带宽需求；•降低功耗以提高硬件...
摘要 针对计算机视觉领域中基于现场可编程逻辑门阵列(FPGA)的传统卷积神经网(CNN)络加速器不适配视觉Transformer网络的问题,该文提出一种面向卷积神经网络和Transformer的通用FPGA加速器。首先,根据卷...展开更多 Considering the problem that traditional Field Programmable Gate Array(FPGA)-based Convolutional Neural ...