杯赛题目:基于SB3500平台的MTCNN+FaceNet人脸检测及识别实现
参赛要求:本科生组/无限制组
赛题内容:
在华夏芯SDR DSP芯片开发板上实现MTCNN+FaceNet的人工智能人脸检测及识别功能,并对算法进行PRU和多线程优化,使算法运行速度达及人脸识别性能达到最优。
设计要求:
1. 设计一套能在SDR DSP芯片开发板上正确运行的MTCNN+FaceNet人脸检测及识别系统,采用标准C语言实现。
2. MTCNN、FaceNet模型训练采用caffe框架。MTCNN模型训练使用WIDER FACE数据集;FaceNet模型训练使用CASIA-WebFace-Database数据集。
3. MTCNN能正确检测出人脸;FaceNet能正确识别出MTCNN检测到的人脸。
4. 人脸识别需要满足one-shot-learning的要求,即只需通过一个样本进行学习,就能够认出同一个人,对于新增的人脸,无需重新训练FaceNet模型。
5. 对算法进行定点化处理,使用SDR DSP芯片的RPU和多线程技术进行算法优化。
作品提交:
a) 设计报告:
i. 作品展板(团队介绍、项目心得体会、项目研发情况、技术创新点、后续工作)
ii. 作品PPT(团队介绍、项目心得体会、项目研发情况、技术创新点、后续工作)
iii. 设计方案描述(神经网络结构及算法实现,处理能力及存储需求)
iv. 功能仿真及测试结果图
v. 系统展示图片、或视频
b) 设计数据:
i. MTCNN和FaceNet的Caffe模型文件(*.prototxt, *.caffemodel),SDR DSP代码,测试结果。
评审标准
1、功能正确
浮点算法在采用标准数据集的检测概率和识别率与caffe相当(采用200张图片进行测试,跟caffe相比,检测和识别概率允许2%的下降);超出允许范围的,性能每下降%1扣1分。(45分)
2、设计文档
包括整个设计构架的说明,基本设计框图。(5分)
3、优化设计
1) 提供MTCNN +FaceNet 16位定点代码,功能正确。(20)
2) 算法中的卷积算子采用RPU实现。(10)
3) 算法中的卷积算子采用多线程实现。(10)
4、性能评估报告:
1) 浮点算法、定点算法、RPU和多线程优化后的SDR DSP芯片运行cycle统计(5);
2)检测概率、识别率统计及评估(5分)
注意事项
1. 参加企业命题杯赛的作品,杯赛出题企业有权在同等条件下优先购买参加本企业杯赛及单项奖获奖团队作品的知识产权。
2. 大赛组委会对参赛作品的提交材料拥有使用权和展示权。