Global Sources
電子工程專輯
 
電子工程專輯 > 射頻/無線
 
 
射頻/無線  

CEVA深層神經網路架構加速機器學習應用

上網時間: 2015年11月02日     打印版  Bookmark and Share  字型大小:  

關鍵字:深層神經網路  CDNN  機器學習  CEVA-XM4  CNN 

CEVA推出即時神經網路軟體架構CEVA深層神經網路(CEVA Deep Neural Network;CDNN),以簡化低功率嵌入式系統中的機器學習部署。CDNN充分利用CEVA-XM4成像和視覺DSP的處理能力,使得嵌入式系統執行深層學習任務的速度比建基於GPU的領先系統提高三倍,同時消耗的功率減少30倍,且所需的記憶體頻寬也減少15倍。例如,在28nm下對每秒 30幀的1080p串流視訊運行建基於深層神經網路(DNN) 的行人檢測演算法時,所需功率不到30mW。

CDNN具備高性能、低功率和低記憶體頻寬的關鍵是CEVA網路產生器(CEVA Network Generator),這項專有的自動化技術能夠將客戶的網路結構和權重(weight)轉換為在即時情況下使用的纖細客製化網路模型,以實現可以顯著減少功耗和記憶體頻寬、且速度更快的網路模型,與原本的網路相比,其精度衰退的程度不到1%。一旦產生了這個客製化嵌入就緒(embedded-ready)的網路,便可使用完全最佳化的卷積神經網路(Convolutional Neural Network;CNN)層、軟體庫和API在CEVA-XM4影像和視覺DSP上運行。

CEVA公司CEVAnet合作夥伴計畫的成員之一Phi Algorithm Solutions已經利用CDNN,為CEVA-XM4 DSP實施了一個建基於CNN的通用目標檢測(Universal Object Detector)演算法。現在應用開發人員和OEM廠商可以把這個演算法用於各種應用,包括用於安全需求的行人檢測和面部檢測、先進駕駛輔助系統(ADAS)和建基於低功耗相機功能系統的其它嵌入式設備。

CDNN軟體架構將以原始程式碼的形式提供,擴展了CEVA-XM現有的應用開發人員套件(ADK)。它靈活性高並採用模組化設計,能夠支援完整的CNN實施方案或特定層,並且可與各種網路和結構共用,比如使用Caffe、Torch或Theano訓練架構開發的網路,或專有網路。CDNN包括用於影像分類、定位和目標識別的即時範例模型,可用於目標和場景識別、ADAS、人工智慧(AI)、視訊分析、擴增實境(AR)、虛擬實境(VR)和類似的電腦視覺應用。





投票數:   加入我的最愛
我來評論 - CEVA深層神經網路架構加速機器學習應用
評論:  
*  您還能輸入[0]個字
*驗證碼:
 
論壇熱門主題 熱門下載
 •   將邁入40歲的你...存款多少了  •  深入電容觸控技術就從這個問題開始
 •  我有一個數位電源的專利...  •  磷酸鋰鐵電池一問
 •   關於設備商公司的工程師(廠商)薪資前景  •  計算諧振轉換器的同步整流MOSFET功耗損失
 •   Touch sensor & MEMS controller  •  針對智慧電表PLC通訊應用的線路驅動器
 •   下週 深圳 llC 2012 關於PCB免費工具的研討會  •  邏輯閘的應用


EE人生人氣排行
 
返回頁首