一种用于单图像超分辨率的节能 FPGA 反卷积神经网络加速器
分布式、并行与集群计算
2018-12-19 v4 硬件体系结构
摘要
卷积神经网络（CNNs）在各种计算机视觉应用中展现出优异性能。近年来，已提出基于 FPGA 的 CNN 加速器以优化性能与功耗效率。多数加速器针对在低分辨率（LR）图像上执行的目标检测与识别算法而设计。然而，典型加速器无法实现实时图像超分辨率（SR），因为生成高分辨率（HR）图像（如超高清（UHD）系统中所用）需要较长执行周期。本文中，我们提出一种带有高效并行化方法的新型 CNN 加速器用于 SR 应用。首先，我们提出一种优化用于增大特征图的反卷积神经网络（DCNNs）的新方法。其次，我们提出一种优化 CNN 数据流的新方法，使 SR 算法能在显示应用中低功耗驱动。最后，我们将基于 DCNN 的 SR 算法量化并压缩为最优模型，以利用片上存储器进行高效推理。我们给出了一种节能的 SR 架构，并在四高清（QHD）分辨率的移动面板上验证该架构。实验结果表明，在同等硬件资源下，所提 DCNN 加速器吞吐量为传统 DCNN 加速器的至多 108 倍。此外，我们的 SR 系统在 SR 放大因子为 2、3 和 4 时分别达到 144.9 GOPS/W、293.0 GOPS/W 和 500.2 GOPS/W 的能效。进而，我们证明与传统 SR 算法相比，我们的系统能在大幅降低数据位宽与参数数量的同时将 HR 图像恢复至高质量。
引用
@article{arxiv.1801.05997,
title = {An Energy-Efficient FPGA-based Deconvolutional Neural Networks Accelerator for Single Image Super-Resolution},
author = {Jung-Woo Chang and Keon-Woo Kang and Suk-Ju Kang},
journal= {arXiv preprint arXiv:1801.05997},
year = {2018}
}
备注
Accepted for publication in IEEE Transactions on Circuits and Systems for Video Technology (TCSVT)