arrow
返回

A Tile-Based Feature Map Compression Method for Multi-Stride Winograd Algorithm

delete2026-05-15
delete0
PRE
AI
G
Ge Li
Y
Yishuo Meng
S
Siwei Xiang
J
Jianfei Wang
L
Li Geng
杨晨 封面图
杨晨 (Chen Yang)
DOI:10.1109/tcsii.2026.3693787delete
delete原文链接
delete原文求助
delete分享
delete收藏
摘要

摘要

En 中文
基于Tile的基于Winograd的特征图压缩方法(TFCM)被提出以加速滤波器大小为3、步长为2(即(3,2))和(3,1)的卷积运算。此外,还基于一些流行的卷积神经网络(CNN)讨论了TFCM的可行性。同时,设计了一个基于Winograd的加速单元(WAU)来实现TFCM。评估结果表明,当应用于VGG16和MobileNetV1时,所提出的方法可实现45.93%~75.28%的乘法运算节省。此外,该加速器在部署VGG16时可达到1.71 TOPS,与最先进的加速器相比,每MHz的DSP效率提高了1.27倍至2倍。
Keyword:
CNNs
winograd
feature map compression

期刊

I
IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS II-EXPRESS BRIEFS
IF:
4.9
论文数:
61
被引数:
0

机构

X
xi'an jiaotong university
学者数:
9.3W
论文数: 6.7W
被引数: 75
引用论文

引用论文

A Post-Quantum Encryption Mechanism Based on Convolutional Neural Network Accelerator
err2024-08-01
err1
PREAI
errHuang, Yukang; Fan, Gaopeng; Mai, Junyi; Jiang, Wanling; Hu, Jinyang; Yao, Enyi
err分享
err收藏
Computing Receptive Fields of Convolutional Neural Networks
err2019-11-04
err0
errOAAI
errAndré Araujo; Wade Norris; Jack Sim
err分享
err收藏
WinoTrain: Winograd-Aware Training for Accurate Full 8-bit Convolution AccelerationWinoTrain:用于精确全8位卷积加速的Winograd感知训练
err2023-07-09
err0
PREAI
errMori,Pierpaolo; Sampath,Shambhavi Balamuthu; Frickenstein,Lukas; Vemparala,Manoj-Rohit; Fasfous,Nael; Frickenstein,Alexander; Stechele,Walter; Passerone,Claudio
err分享
err收藏
学者 查看更多内容