Handzeichenerkennung auf der Hannover Messe, 30.05.-02.06.2022
Handzeichenerkennung via Deep Learning auf Massiv Parallelen Rechenfeldern auf der Hannover Messe 2022: Der Lehrstuhl Hardware-Software-Co-Design zeigte zusammen mit dem FAU Research Center Embedded Systems Initiative (FAU ESI) einen Demonstrator zur Handzeichenerkennung via Deep Learning auf eng-gekoppelten Prozessorfeldern (TCPAs) im Rahmen des Gemeinschaftsstands BayernInnovativ auf der Hannover-Messe 2022. Das Interesse am „Future Hub“ in Halle 2 war trotz kleinerer Hannover-Messe ungebrochen und der Publikumsverkehr am Stand und in der Halle vergleichbar mit den Vorjahren. Wir freuen uns über die vielen spannenden Gespräche, die am Stand stattfanden.
Convolutional Neural Networks (CNNs) zur Implementierung von Deep-Learning-Strategien sind bei High-End-Beschleunigern (z.B. GPUs oder FPGAs) das Mittel der Wahl. Bei Eingebetteten Systemen fehlt jedoch meist die benötigte Rechenleistung dafür. Eng-gekoppelte Prozessorfelder (Tightly Coupled Processor Arrays, TCPAs) sind ideal zur energieeffizienten Beschleunigung von Programmen mit geschachtelten Schleifen. Der Demonstrator zeigt eine Handzeichenerkennung, die auf einem TCPA beschleunigt wird. Dabei nimmt er die Bewegung der Hand einer Person mit einer Webcam auf und versucht, die gezeigte Geste auf einer Robotor-Hand in Echtzeit nachzubilden. Dazu wird das Video auf ein FPGA geschickt, auf dem das TCPA prototypisch implementiert wurde, das ein trainiertes CNN ausführt. Hier zeigt sich eine immense Beschleunigung im Vergleich zu einer CPU-basierten Ausführung des CNNs trotz viel geringerer Taktrate. Aktuell laufen Arbeiten zur Umsetzung auf einem Chip in 22nm-Technologie.