FPGA Implementation of a Face Detector using Neural Networks
Notice bibliographique
Résumé
The study implemented an FPGA-based face detector using neural networks. We used a floating point arithmetic unit (FPU) to represent the number system. The FPU provides dynamic range and reduces the bits of arithmetic unit more than fixed point method. These features led to reduction in the memory so that it is efficient for neural networks system with large size data bits. In this system, an FPGA-based face detector using neural networks takes 1.7 ms to process one frame to be 38 times faster than 50 ms of PC (Pentium4, 1.4 GHz). This speed gives a chance to have better picture than PC process and could be named "hardware accelerator". The implemented FPGA-based face detector using neural networks also required 33% of total area in FPGA (Xilinx XC3S1500) which could be applied to a stand-alone system. In order to determine the bits of FPU, we also examined how representation errors affect a detection rate. The arithmetic unit occupies 84%, occupying most of the available area. Therefore bits reduction is needed not only for memory but also for FPU and system size. Reduction from FPU 32 bits (IEEE 754 single precision) to 24 bits reduced the size of memory and arithmetic units by 25%, having only 0.32% deterioration in the detection rate
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».