论文部分内容阅读
随着视觉处理应用越来越广泛,视觉处理器的计算效率及视觉处理存在多样分类计算的问题需要获得更多关注。可重构视觉处理器在传统视觉处理器的基础上,采用可重构核心计算阵列来解决分类计算多样性的问题,其计算阵列可配的并行计算模式可以大大提高视觉分类的计算效率。以可重构计算阵列为核心,配合异构专用加速单元形成多核异构架构,可以全面地提高整个视觉处理器的计算效率。本论文工作首先分析视觉处理中加速空间计算和视觉空间计算,并设计了高效的专用计算架构。针对加速空间中积分直方图的计算,设计了可配置的并行计算架构,并通过基于Strip的内存划分机制来提高数据的吞吐率。同时还提出了基于数据相关性进行存储压缩的策略来优化积分直方图的存储。相比于现有的工作,计算速度平均提高2.9倍,功耗效率平均提高33.5%。而针对视觉空间中存在访存计算依赖的问题,构建出基于访存数据模式的系统优化模型,并提出了移动方向引导的内存划分机制来提高数据吞吐和数据重用,相比于现有的工作,可以将访存效率平均提高7.4倍。其次,针对视觉处理中存在多样分类计算的问题,设计了混合模式的可重构阵列计算架构。该架构不但解决了多样分类的问题,而且解决了级联分类计算中负载不均衡及基于窗口扫描存在计算冗余的问题。在具体的计算模式上,通过分析不同分类器的计算拓扑,构建出基于并行计算和软流水计算的混合计算模式,从而可以根据分类计算拓扑,选取最佳的计算模式。相比于现有的工作,平均计算速度提升37.75%,功耗效率平均提高1.9倍。最后,基于上面提到的针对加速空间,视觉空间和分类器计算三个优化技术,本论文设计了两款视觉处理器进行验证。其中一款特征计算处理器可以获得1080p@83fps下,平均1000个FIRFAS特征点的计算速度,相比于现有的工作,计算效率平均提高2.95倍。另外一款特征分类处理器可以获得1080p@55fps下,平均1000个FIRFAS特征点的识别速度,相比于现有的工作,特征分类计算速度提高1.29倍。