.png){kind=icon}
返回
A Hardware-Efficient Large-Kernel Convolution-Based Super-Resolution Accelerator
.png){kind=icon}
PRE
AI
DOI：10.1109/tcsi.2026.3732539.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大核卷积神经网络使基于CNN的图像超分辨率（SR）方法实现了令人鼓舞的重构质量。然而，大核设计在计算吞吐量和能耗方面带来了严峻挑战，阻碍了其在边缘设备上的部署。为此，提出了一种面向大核卷积基SR模型的高吞吐量和低能耗SR加速器。为硬件高效的大核算法设计，我们结合“无乘法”移位操作与核分解策略来简化大核卷积并从根本上缩减计算负载。为高效加速移位大核计算，我们设计了一种基于向量线缓冲的移位大核卷积单元，用于片上缓存特征行并本地生成移位向量，同时执行多方向移位，从而降低移位大核卷积的延迟。对于计算密集的点卷积，我们提出了一种聚簇脉动立方体架构，将整体脉动阵列分解为并行立方体以缩短数据传播路径，并将阵列分组为聚簇以提高PE利用率，从而实现更高的吞吐量和更好的能效。广泛的样机测试表明，我们提出的加速器在FPGA上实现了高达1009 Mpixels/s的记录吞吐量，在ASIC上实现了2093 Mpixels/J的能效，分别比近期最优工作高出1.58倍和1.95倍。
Keyword:
Convolutional neural network (CNN)
field-programmable gate array (FPGA)
super-resolution
image processing
edge computing
期刊
IF:
5.2
论文数:
9.9K
被引数:
2.6W
机构
引用论文
FDAM: Filter-Dedicated Approximate Multiplier Design for Real-Time CNN AccelerationFDAM：用于实时CNN加速的滤波器专用近似乘法器设计
PREAI
分享收藏Convmixer: Feature Interactive Convolution with Curriculum Learning for Small Footprint and Noisy Far-Field Keyword Spotting.png)
ICASSP 2022 - 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
OAAI
ICASSP 2022 - 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏An FPGA-Based Transformer Accelerator Using Output Block Stationary Dataflow for Object Recognition Applications基于FPGA的变压器加速器，使用输出块固定数据流进行对象识别应用
PREAI
分享收藏
查看更多内容