HAPQ:一种针对基于事件的SNN检测的硬件感知剪枝和量化管道
作者:李正银(Zhengyinan Li)和吴静(Jing Wu)
《Sensors》:HAPQ: A Hardware-Aware Pruning and Quantization Pipeline for Event-Based SNN Detection
Zhengyinan Li and
Jing Wu
【字体:
大
中
小
】
时间:2026年05月07日
来源:Sensors 3.5
编辑推荐:
摘要
自动驾驶的感知技术要求低延迟、高时间分辨率以及高效的硬件性能。基于事件的尖峰神经网络(SNNs)虽然采用了受生物启发的稀疏计算方法,但由于执行模式不规则以及时间状态存储的开销,其在边缘领域可编程门阵列(FPGAs)
摘要
自动驾驶的感知技术要求低延迟、高时间分辨率以及高效的硬件性能。基于事件的尖峰神经网络(SNNs)虽然采用了受生物启发的稀疏计算方法,但由于执行模式不规则以及时间状态存储的开销,其在边缘领域可编程门阵列(FPGAs)上的部署受到了限制。为了解决这个问题,我们提出了HAPQ算法,这是一种统一的、考虑到硬件特性的剪枝和量化流程,用于紧凑型基于事件的对象检测。HAPQ算法从一个端到端的自适应采样SNN检测器(EAS-SNN)开始,在离散数字信号处理器(DSP)和块RAM(BRAM)的预算范围内进行硬件兼容的配置搜索, applying单指令多数据(SIMD)对齐的结构化剪枝以保持计算的一致性,并通过易于处理的定点循环机制对突触权重和膜电位进行联合量化。在Prophesee Gen1数据集和FPGA加速器上的测试表明,HAPQ将检测精度从0.284提高到了0.425(平均精度mAP_50:95),并实现了0.722的mAP_50值。硬件实现结果显示:查找表(LUT)的使用量减少了1680个条目,实现了DSP的完全替代,且在0.630瓦的功耗下最大工作频率达到了920.81 MHz。这些结果证实,有效的SNN部署需要模型架构、状态精度以及与硬件匹配的工作负载组织的共同优化。
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