设计和实施用于嵌入式平台的轻量级和节能语义细分加速器
1School of Integrated Circuits, Southeast University, Nanjing 211189, China.
Micromachines
|March 27, 2025
概括
优化的ENet语义细分实现了嵌入式系统的实时性能. 结构简化和8位量化降低了复杂性,同时保持了准确性,使自动驾驶和医学成像的高效部署成为可能.
科学领域:
- 计算机视觉 计算机视觉
- 嵌入式系统工程 嵌入式系统工程
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 实时语义细分对于自动驾驶和医学成像至关重要.
- 资源有限的嵌入式平台对高效的深度学习部署提出了挑战.
- 有效网络 (ENet) 是一个具有低计算复杂性的轻量级模型.
研究的目的:
- 优化ENet语义细分网络,以提高效率和硬件兼容性.
- 通过结构简化和8位量化来降低计算复杂性.
- 改进芯片上的数据存储和数据传输,用于嵌入式部署.
主要方法:
- 简化ENet网络的结构.
- 8位量子化为降低精度和计算负载.
- 转移卷积和扩展卷积计算单元的优化.
- 增强了芯片上的数据存储和数据传输机制.
- 在Xilinx ZYNQ ZCU104 FPGA上进行部署.
主要成果:
- 保持了51.18%的平均交叉与欧盟 (mIoU) 准确度.
- 实现了130.75 FPS的率,满足了实时要求.
- 证明了低功耗 (3.479 W) 和高吞吐量 (460.8 GOPS).
- 达到了132.2GOPS/W.的能源效率.
结论:
- 优化和部署策略有效平衡计算效率和准确性.
- 优化的ENet非常适合在资源受限的嵌入式平台上实时语义细分.
- 该系统满足了自动驾驶和医学成像等应用程序的苛刻要求.


