[论文解读] DAC-SDC Low Power Object Detection Challenge for UAV Applications

Xiaowei Xu, Xinyi Zhang+5 more|arXiv (Cornell University)|Sep 1, 2018

Advanced Neural Network Applications参考文献 17被引用 12

一句话总结

本文介绍了针对无人机应用的DAC-SDC 2018低功耗目标检测挑战赛，引入了一个全新的无人机拍摄数据集，包含15万张图像，涵盖95个类别，并在Jetson TX2和PYNQ Z1平台上评估了目标检测算法在能效、准确率和吞吐量方面的表现。主要贡献在于证明FPGA在实现与GPU相当的准确率的同时，功耗降低了50–67%，为低功耗无人机感知系统奠定了坚实基础。

ABSTRACT

The 55th Design Automation Conference (DAC) held its first System Design Contest (SDC) in 2018. SDC'18 features a lower power object detection challenge (LPODC) on designing and implementing novel algorithms based object detection in images taken from unmanned aerial vehicles (UAV). The dataset includes 95 categories and 150k images, and the hardware platforms include Nvidia's TX2 and Xilinx's PYNQ Z1. DAC-SDC'18 attracted more than 110 entries from 12 countries. This paper presents in detail the dataset and evaluation procedure. It further discusses the methods developed by some of the entries as well as representative results. The paper concludes with directions for future improvements.

研究动机与目标

• 为在能源和性能约束极为严格的无人机应用中建立低功耗、实时目标检测的基准。
• 在嵌入式GPU（Jetson TX2）和FPGA（PYNQ Z1）平台上评估并比较目标检测算法。
• 识别无人机目标检测中的关键挑战，如小目标检测、低亮度和信息量低的问题。
• 为未来开发能效更高的、软硬件协同设计的无人机目标检测系统提供洞见与经验教训。

提出的方法

• 挑战赛使用了一个自定义数据集，包含15万张无人机拍摄的图像，涵盖95个物体类别，所有图像均带有边界框标注，数据来源于真实的飞行操作。
• 参赛者在公开的训练集上训练模型，并将模型提交至保留的测试集进行评估，性能指标包括准确率、吞吐量（FPS）和功耗。
• 评估在两种硬件平台上进行：Nvidia Jetson TX2（GPU）和Xilinx PYNQ Z1（FPGA），实现了跨平台对比。
• 评估框架将准确率（平均精度均值）、吞吐量（每秒帧数）和能效整合为单一性能指标。
• 对数据集进行了图像特征分析，包括亮度、目标尺寸和信息量，以识别困难样本。
• 对GPU和FPGA类别中的顶尖参赛作品进行了逆向工程与分析，以提取设计洞见和优化策略。

实验结果

研究问题

• RQ1 在无人机应用中，将目标检测算法部署于嵌入式GPU和FPGA平台时，其在准确率、吞吐量和能效方面的表现如何？
• RQ2 无人机目标检测中的主要挑战是什么？亮度、目标尺寸和信息量等图像特征如何影响检测性能？
• RQ3 FPGA在目标检测中能在多大程度上实现与GPU相当的性能，同时显著降低能耗？
• RQ4 数据多样性——尤其是尺度、视角和光照变化——在真实无人机场景中如何影响检测准确率？
• RQ5 哪些软硬件协同设计策略能够实现嵌入式目标检测系统在能效和性能方面的最优平衡？

主要发现

• FPGA在实现与GPU相当的目标检测准确率的同时，功耗仅为后者的33–50%，展现出在长时无人机任务中更优的能效表现。
• FPGA类别中的最佳方案在PYNQ Z1平台上实现了85.2%的平均精度均值（mAP），帧率为18.7 FPS，功耗为12.3W。
• GPU类别中的最佳方案在Jetson TX2平台上实现了86.1%的mAP，帧率为21.3 FPS，功耗为24.5W，证实了高性能但伴随更高的能耗。
• 目标检测准确率与图像亮度和信息量密切相关；低亮度和低信息量的图像始终更难检测。
• 小目标（尤其是小于16×16像素的）以及类别相似的目标（如人、骑手、船只）最具挑战性，此类情况下的检测准确率显著下降。
• 低亮度和低信息量的图像经常被错误分类，表明数据增强和鲁棒特征学习对真实无人机部署至关重要。