TREA:面向目标检测与分类的低精度时分复用、资源高效的边缘加速器
《IEEE Transactions on Very Large Scale Integration (VLSI) Systems》:TREA: Low-Precision Time-Multiplexed, Resource-Efficient Edge Accelerator for Object Detection and Classification
【字体:
大
中
小
】
时间:2026年09月18日
来源:IEEE Transactions on Very Large Scale Integration (VLSI) Systems 3.2
编辑推荐:
摘要:
本文提出了TREA,一种面向目标检测与分类的低精度、时分复用、资源高效的边缘AI加速器,旨在满足边缘视觉平台严苛的面积-功耗-延迟约束。该架构集成了基于最高有效位优先(MSDF)移位加法运算的双精度(4/8位)量化SIMD乘累加(DQ-MAC)单元,并支持运行时位截
摘要:本文提出了TREA,一种面向目标检测与分类的低精度、时分复用、资源高效的边缘AI加速器,旨在满足边缘视觉平台严苛的面积-功耗-延迟约束。该架构集成了基于最高有效位优先(MSDF)移位加法运算的双精度(4/8位)量化SIMD乘累加(DQ-MAC)单元,并支持运行时位截断,从而消除传统乘法器的开销并减小累加器位宽。该DQ乘累加单元支持每周期4×F×P4或1×F×P8次运算,在不增加硬件副本的情况下实现最高4倍的吞吐量提升。同时,该架构协同设计了结构化硬件感知剪枝(SHARP)策略与单指令多数据(SIMD)数据通路,在保持完整MAC利用率的同时实现近50%的结构化稀疏性。这使得3×3卷积核可在F×P4模式下1个周期内完成计算(对比F×P8模式下的9个周期),5×5卷积核可在3个周期内完成(对比常规25个周期),在卷积核层面实现最高9倍的延迟缩减。该加速器进一步集成了共享可重构量化支持型基于CORDIC的非线性激活函数(RQ-NAF)核心,采用九级流水线设计,在流水线填充后支持每周期输出一次Sigmoid、Tanh和ReLU运算,并通过时分复用实现(N-1)倍硬件复用。完整的TREA架构采用128个SIMD DQ-MAC单元组成的1维阵列,结合逐层硬件复用策略,显著降低了面积和控制复杂度。实验结果表明,与传统的固定精度和不可重构加速器相比,TREA在延迟、硬件利用率和能效方面均有显著提升,验证了其作为实时边缘视觉工作负载有效解决方案的可行性。
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