近日，人工智能領域國際頂尖期刊IEEE Transactions on Neural Networks and Learning Systems (TNNLS)在線發表了我校物理與電子科學2劉雙龍教授的最新研究成果“High-Performance Acceleration of 2D and 3D CNNs on FPGAs using Static Block Floating-Point”。劉雙龍教授研究組，圍繞面向邊緣計算的人工智能算法的硬件加速技術展開研究，近年來取得了一系列突破性成果，先後在國際頂級期刊IEEE Trans. on Neural Networks and Learning Systems (TNNLS)，IEEE Trans. On Computers (TC)，ACM Trans. on Reconfigurable Technology and Systems (TRETS)等發表一系列人工智能加速器方面的研究成果。

人體行為識別（Human Action Recognition，HAR）是人工智能的一個重要應用方向。與捲積神經網絡（CNN）應用於2D圖像不同，當CNN用於視頻中人體動作的識別時，需要採用3D-CNN結構，以計算空間和時間維度特征，捕獲在多個連續幀編碼的運動信息。3D捲積通過堆疊多個連續的幀組成一個立方體，然後在立方體中運用3D捲積核。由此可見，3D-CNN的運算複雜度遠大於2D-CNN，因此對計算力和存儲的需求更高。

該研究論文中，項目組首次提出使用塊浮點計算技術（block floating-point，BFP）對應用於人體動作識別的3D-CNN進行硬件加速，並設計了基於該技術的並行計算的硬件架構（圖1）。該項研究相比使用定點數計算的加速器，在不增加數值位寬的情況下大幅度提升了計算精度（圖2），從而在保證計算速度的情況下提高了動作識別的準確率。同時該研究也比較了在不同識別準確率下加速器的處理時間，以適用於不同的應用場景。

圖1利用塊浮點計算技術的3D-CNN硬件加速器

圖2不同數值精度下採用塊浮點技術的識別準確率比較

劉雙龍教授為本論文的唯一通信作者，湖南師範大學為該論文的唯一通訊單位，帝國理工2計算機系博士研究生範鴻翔為本文第一作者。該工作獲得了國家自然科學基金、湖南省自然科學基金和長沙市自然科學基金的資助。

論文鏈接：

https://ieeexplore.ieee.org/document/9570135

DOI: 10.1109/TNNLS.2021.3116302