一种用于可变形卷积网络的高效加速器设计方法
分布式、并行与集群计算
2020-06-16 v2 神经与进化计算
摘要
可变形卷积网络通过有效的特征提取在目标识别任务中展现了卓越性能。与标准卷积不同，可变形卷积使用动态生成的偏移量来决定感受野大小，这导致不规则的内存访问。特别地，内存访问模式在空间和时间上均发生变化，使得静态优化失效。因此，朴素实现会导致过大的内存占用。本文提出一种在 FPGA 上加速可变形卷积的新方法。首先，我们提出一种新颖的训练方法，在不损失精度的情况下减小可变形卷积层中的感受野大小。通过优化感受野，我们能将最大感受野压缩 12.6 倍。其次，我们提出一种高效的脉动架构以最大化其效率。随后我们在 FPGA 上实现我们的设计以支持优化后的数据流。实验结果表明，我们的加速器相比最先进加速器实现了高达 17.25 倍的加速。
引用
@article{arxiv.2006.05238,
title = {An Efficient Accelerator Design Methodology for Deformable Convolutional Networks},
author = {Saehyun Ahn and Jung-Woo Chang and Suk-Ju Kang},
journal= {arXiv preprint arXiv:2006.05238},
year = {2020}
}
备注
IEEE International Conference on Image Processing (ICIP) 2020