Examensarbete:Accelerering av Deep Convolutional Neural Networks (DCNN) på System-On-Chip i Järfälla

I affärsområdet Industrial Products & Services (IPS) ingår affärsenheterna Aerostructures, Avionics och Combitech, samt Ventures portfölj av hel- och delägda företag. IPS fungerar som en holdingorganisation där varje verksamhet utvecklar och arbetar med strategier för lönsam tillväxt efter förutsättningarna på respektive marknad. En stor del av affärerna sker på en så kallad business-to-business-marknad. Affärsområdet har cirka 2400 medarbetare och omsätter ungefär 4 miljarder SEK.

Avionics Systems är en verksamhet inom den globala flyg- och säkerhetskoncernen Saab. Vi utvecklar och tillverkar kvalificerad elektronik, programvara och mekanik för flygplan, helikoptrar och andra krävande applikationer. De flesta av våra projekt drivs i en internationell miljö och vi levererar bland annat produkter till två av världens största flygplanstillverkare, Airbus och Boeing.

Inom avionikvärlden ställer man höga krav på flygsäkerhet och robusthet i alla tekniska system man använder för att flyga. Med hjälp av olika elektro-optiska sensorer (visuella kameror, IR-kameror, radar) kan man hjälpa piloten då siktförhållandena inte är optimala. Ett område som är intressant att studera för att utveckla dessa typer av system är maskininlärning och mer specifikt Deep Convolutional Neural Networks (DCNN). DCNN har blivit standardmetoden för att lösa bildbehandlingsuppgifter såsom bildklassificering och objektdetektering och oftast utvecklas, tränas och evalueras modellerna på GPUer. För att kunna implementera ett neuralt nätverk som klarar av att detektera objekt i realtid i ett inbyggt system räcker oftast inte en GPU. En metod för att lösa detta är att accelerera det färdigtränade nätverket på hårdvara, till exempel FPGAer eller System-On-Chip (SoC). Innan man kan implementera ett DCNN på ett SoC behöver modifieringar göras med modellen och detta exjobb ämnar undersöka olika modifieringsmetoder för att se hur det påverkar prestandan och exekveringstiden av ett DCNN när det implementeras på ett SoC.

 Arbetsbeskrivning:

• Kort litteraturstudie av Deep Convolutional Neural Network
• Litteraturstudie av olika metoder för att modifiera ett DCNN för ett SoC, till exempel pruning eller viktkvantifiering.
• Studera prestandan av ett DCNN som är tränat och evaluerat på en GPU.
• Implementera det tränade DCNN på Xilinx Zynq Ultrascale+ SoC. Olika verktyg såsom CHaiDNN eller DNNweaver kan användas.
• Jämför ett DCNN implementerat på ett SoC med den ursprungliga GPU implementationen med avseende på prestanda och exekveringstid.
• Egna förslag kring ämnet. 

Plattformen kommer att vara Xilinx Zynq Ultrascale+ MPSoC (System on Chip).

Vi söker dig som:

• studerar till civilingenjör inom teknisk fysik, elektro eller liknande.
• har ett intresse av att arbeta med realtidssystem och gärna i en bildbehandlingkontext.
• läst kurser i accelerationsteknik/programmerbar logik. 

Omfattning

30 HP (1 person)

Start
Januari 2019 eller enligt ök