应用于智能芯片的可视化反馈系统研究

发布时间：2020-12-08 23:01

　　当前,市场上普遍使用的负责推理的终端人工智能(AI)芯片使用训练好的参数对数据进行快速高效运算。但在通常训练过程中使用的数据集和真实数据的分布不一致,由此获得的参数会导致终端AI芯片识别准确度降低。为此,提出了一种基于终端AI芯片的可视化反馈系统架构方法。使用反卷积特征可视化方法,在具有高效计算性能的终端AI芯片上,对卷积核参数进行迭代优化,达到可识别该图像目的。相比于CPU/GPU和FPGA,所提架构在卷积神经网络模型里,更具有高效处理能力和灵活可塑性。实验表明,该研究有效提高了终端AI芯片的普适性、识别准确度和处理效率。 

【文章来源】：北京航空航天大学学报. 2020年08期 第1494-1502页 北大核心

【文章页数】：9 页

【部分图文】：

反卷积可视化处理流程

反卷积可视化反馈系统可在具有卷积神经网络结构的终端AI芯片上实现,无需修改硬件架构,可有效增加终端AI芯片的适用性。CNN是深度学习代表算法之一,包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络包括卷积层(Convolutional Layer)和池化层(Pooling Layer)。如图2所示,卷积网络通常有一个输入层,多个卷积和池化层,一个或2 个全连接层,和一个输出层的结构组成。笔者将整个结构分为两部分理解:输入层和卷积池化层为特征表示器,全连接层和输出层可以看作一个分类器。例如输入一只狗的图像,特征表示器将图像的原始像素映射为眼睛、耳朵、鼻子、毛发等高级特征,再使用分类器对高级特征进行分类。主要处理流程如图2所示。

如图3所示,根据应用场景,现有芯片主要分为两大类:第1类是同时具有训练和推理的云端芯片,第2类是只具有推理功能的终端芯片。随着AI应用的普及且需求量大,带有轻量级训练的终端芯片是必然的发展趋势。AI的发展高度依赖海量数据,优质的大数据量数据库对终端芯片处理能力起着决定性的作用,且所使用的每一层的参数均在训练过程中产生。但在很多应用的特定场景下无法获取大量可用数据,比如航拍目标基地、遥感卫星获取舰船、心脑血管堵塞医学影像等。如何在只有某类小样本情况下,通过在终端芯片上进行反馈参数优化以提高用户体验是本文研究的重点。本文针对上述问题,对仅有推理的终端芯片提出一套解决方案。

【参考文献】：
期刊论文
[1]人工智能在汽车自动驾驶中的应用[J]. 张美芳,王羽,郑碧琪,张凯帆.  汽车工业研究. 2019(03)
[2]深度卷积神经网络的发展及其在计算机视觉领域的应用[J]. 张顺,龚怡宏,王进军.  计算机学报. 2019(03)
[3]人工智能芯片技术研究[J]. 施羽暇.  电信网技术. 2016(12)



本文编号：2905825