返回
A Tile-Based Feature Map Compression Method for Multi-Stride Winograd Algorithm
DOI:10.1109/tcsii.2026.3693787.png)
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
IF:
4.9
论文数:
61
被引数:
0
机构
引用论文
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
Flexible and Efficient Convolutional Acceleration on Unified Hardware Using the Two-Stage Splitting Method and Layer-Adaptive Allocation of 1-D/2-D Winograd Units基于两阶段分割方法和层自适应分配1-D/2-D Winograd单元的统一硬件上灵活高效的卷积加速
A Flexible and Efficient FPGA Accelerator for Various Large-Scale and Lightweight CNNs适用于各种大规模和轻量级cnn的灵活高效的FPGA加速器

