上科大信息学院本科生在DAC 2019举办的系统设计竞赛中获得佳绩

信息学院周平强教授指导的两名大三学生王若禹（计算机科学与技术专业）和张汇凡（电子科学与技术专业）与浙江大学卓成教授课题组4名硕士生组成的联队DeepZS在2019年Design Automation Conference (集成电路设计自动化会议，简称DAC）举办的系统设计比赛（System Design Contest，以下简称SDC）中获得GPU组第三名的好成绩。

                                  周平强                            王若禹                           张汇凡

本次比赛的任务是在嵌入式平台上实现高速、高准确率且低功耗的飞行器高空目标检测深度学习算法。组办方提供了GPU（Nvidia TK2）与FPGA（Xilinx Ultra 96）两种平台供参赛队伍选择。比赛所用的训练与测试数据集均由深圳大疆科技公司提供，共包含95种不同目标的数据集。

本次比赛总共吸引了来自全球的110支队伍参赛，其中GPU组有52支参赛队伍，FPGA组有58支参赛队伍。获得GPU组冠军的队伍由美国伊利诺伊大学厄巴纳-香槟分校的几名博士/博士后以及IBM Watson研究中心的研究员组成，而亚军队伍则由清华大学的博士/博士后与清微智能公司的研究人员组成。

本次比赛的难点在于，从目标识别的要求来看，数据集中有很多小型物体，同时一张图片中会出现极为相似的两个目标的情况，这些挑战使得比赛对模型的精度有很高的要求；另外，该比赛从准确率、处理速度以及功耗三个方面测试参赛队伍的结果，其中要求速度至少达到每秒钟处理20张图片以上（>20FPS）。这就要求参赛队伍在模型的复杂度和处理时间中进行权衡，一般来说，模型越复杂，处理速度也越慢。

上科大与浙大联合团队DeepZS采用的方案是基于TinyYOLO和Feature Pyramid Network的卷积神经网络。该方案采用ResNet18作为网络骨架，由处理较大目标的末端卷积层和识别小型目标信息的中端卷积层分别得到两种不同分辨率的特征图，从而获得两路目标检测框输出，程序最后根据概率大小选择最合适的检测框。上科大本科生主要完成的工作是在推断阶段的优化，设计了将由TinyYOLOv3在Caffe上的训练得到的模型自动转换为TensorRT推断加速模型的框架，实现了处理速度的翻倍提升（>47 FPS）。DeepZS队伍完成的设计最终达到的性能为：准确度（IoU）－0.7232，功耗－15119mW，速度（FPS）－26.37。

通过参加过这次比赛之后，我们对目标检测算法、神经网络模型的设计和实现以及深度学习的硬件加速有了更加深刻的理解。在增强合作意识与合作能力的同时，我们也深刻意识到了自身与世界一流学生之间的差距，更加明确了学习和研究的方向，坚定了奋斗和努力的决心。