用于立体匹配的深度可分离卷积的模型-硬件协同设计及层间流水线技术
《IEEE Transactions on Very Large Scale Integration (VLSI) Systems》:Model–Hardware Co-Design of Depthwise Separable Convolution With Interlayer Pipelining for Stereo Matching
【字体:
大
中
小
】
时间:2026年04月08日
来源:IEEE Transactions on Very Large Scale Integration (VLSI) Systems 3.1
编辑推荐:
立体匹配是计算机视觉中深度感知的核心技术,深度学习方法虽然提升配准精度但计算量大。本文提出算法与硬件协同设计:1)基于深度可分离卷积构建轻量级网络,降低计算成本而不损失精度;2)通过DRAM访问分析建立动态流水线调度模型,优化跨层内存访问;3)设计支持单层/流水线双模式的可重构加速器,实现动态资源分配。在28nm工艺下处理960×544分辨率图像达35.7f/s,较基线提升5.24-10.93倍速度,能耗降低46%-60%,相比SOTA加速器性能提升1.44-2.00倍。
```html
摘要:
立体匹配是计算机视觉中深度感知的基础。虽然基于深度学习的立体匹配方法显著提高了视差图的准确性,但其庞大的计算需求给资源有限和功耗受限的边缘设备带来了挑战。为了在这些平台上实现高精度的实时立体匹配,本文提出了一种结合算法优化和硬件加速的协同设计方法。首先,受到深度可分离卷积(DSC)的启发,提出了一种计算驱动的分解模块选择策略,用于构建轻量级的立体匹配(LSM)神经网络,该网络在几乎不损失准确性的情况下大幅降低了计算成本。其次,引入了一种针对层间流水线结构的优化方法,利用DRAM访问分析模型通过动态规划得出最佳调度方案,从而最大限度地优化了片外内存访问性能。最后,我们设计了一种可重构的加速器,支持单层和流水线执行模式,并通过动态资源分配实现细粒度的负载均衡。在KITTI2015数据集上,所提出的LSM模型的误差率为2.67%。该加速器采用28纳米工艺制造,能够以35.7帧/秒的速度处理分辨率为的图像。与基线设计相比,该加速器的速度提升了倍,能耗分别降低了46%和60%。与现有的最先进(SOTA)加速器相比,其在保持相同准确性的前提下,速度提升了
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号