【论文笔记】利用CNN识别人类运动的毫米波雷达图像类型并在FPGA上实现加速

论文题目：Acceleration of FPGA Based Convolutional Neural Network for Human Activity Classification Using Millimeter-Wave Radar

年份&会议：2019 - IEEE Access

主要内容：

采用毫米波雷达回波谱图作为CNN输入来识别人类活动的类别，并实现在FPGA上，还采取了三种优化方式（量化、并行计算、分类器优化）

---

（1）CNN的量化策略

a) 归一化+用2的指数表示

首先归一化到区间[0,1]。由于其值的非负性，CNN在FPGA上的输入数据量化结果可以用1个整数位和15个分式位表示

b) 偏置值 bias要位数对齐

直接按位相加

---

（2）并行计算策略

a) 通道间并行

比如一个图的不同通道，同时进行卷积。因为input是一样的
核心：输入一致的都可以同时卷积

b) 通道内并行

由于input和卷积核的维度是一样深的，将维度分开来并行计算，最后合并

c) 层间并行

卷积-池化 这种流水线式的操作，其实可以并行，而不需要一整张图都出来了才下一步，因为卷积的前提只要得到对应一小部分的input，池化的前提也只需要得到对应一小部分的卷积结果。

d) 缓存优化

比如池化只需要relu以后的四个彩色块的值，relu之前的值就可以删掉了，然后用于算/存下一个地方的卷积值

---

3) 分类方法优化

删去softmax层可以减少计算量
因为他这里，正好最终的概率与FC层的输入向量之间有联系：

所以可以删去softmax层不用再计算一次，直接根据FC层的输入向量D FCO判断

---

结果：

a) 在量化之后，内存资源(大部分被权值参数和层间输入数据消耗)大约减少了一半。

b) 模型参数和数据的定点数表示仅降低了0.27%的分类精度