低功耗异构计算架构的高光谱遥感图像分类研究

高光谱图像分类算法通常需要逐点对图像中的像素点进行迭代处理,计算复杂度及并行程度存在较大差异。随着高光谱遥感图像空间、光谱和辐射分辨率的不断提升,这些算法无法满足实时处理海量遥感图像数据的需求。通过分析NPU存储计算一体化模式与遥感图像分类算法的实现步骤,设计低功耗CPU+NPU异构资源计算架构的低秩稀疏子空间聚类(LRSSC)算法,将数据密集型计算转移至NPU,并利用NPU数据驱动并行计算和内置AI加速,对基于机器学习算法的海量遥感数据进行实时分类。受到big.LITTLE计算范式的启发,CPU+NPU异构资源计算架构由8 bit和低精度位宽NPU共同组成以提高整体吞吐量,同时减少图网络推理过程中的能量损耗。实验结果表明,与CPU计算架构和CPU+GPU异构计算架构的LRSSC算法相比,CPU+NPU异构计算架构的LRSSC算法在Pavia University遥感数据集下的计算速度提升了3~14倍。

嵌入式异构智能计算系统并行多流水线设计

嵌入式智能计算系统因其功耗受限和多传感器实时智能处理需要,对硬件平台的智能算力能效比和智能计算业务并行度提出了严峻挑战.传统嵌入式计算系统常采用的DSP+FPGA数字信号处理架构,无法适用于多个神经网络模型加速场景.本文基于ARM+DLP+SRIO嵌入式异构智能计算架构,利用智能处理器多片多核多内存通道特性,提出了并行多流水线设计方法.该方法充分考虑智能计算业务中数据传输、拷贝、推理、结果反馈等环节时间开销,为不同的神经网络模型合理分配智能算力资源,以达到最大的端到端智能计算业务吞吐率.实验结果表明,采用并行多流水线设计方法的深度学习处理器利用率较单流水线平均提高约25.2%,较无流水线平均提高约30.7%,满足可见光、红外、SAR等多模图像实时智能处理需求,具有实际应用价值.

2019年边缘计算技术发展研究

边缘计算将数据处理任务放置在网络边缘(靠近数据源)的设备上,可以快速实现实时数据处理,具有低延迟、隐私安全性和灵活性的特点,被认为是“人工智能的最后一公里”。近年来,边缘计算的飞速发展在不断推动边缘人工智能物联网的发展。对2019年边缘计算的相关研究与成果进行了综合评述,并对未来发展趋势进行了展望。首先,梳理2019年面向边缘计算的人工智能软硬件进展,科技巨头纷纷推进战略部署,市场火爆;然后,总结2019年在降低功耗方面的最新成果,指出降低功耗是边缘计算技术落地的关键点;随后,从嵌入超低功耗人工智能芯片和异构计算架构两个方向概述边缘计算最新发展趋势;最后,从电源功耗、人工智能芯片、安全隐私、5G等四个角度讨论边缘计算面临的困难与挑战。