Rapid Deployment of Domain-specific Hyperspectral Image Processors with Application to Autonomous Driving

要約

この記事では、自動運転用途向けの効率的なハイパースペクトル イメージング (HSI) プロセッサを実装するための、低コストのシステム オン モジュール (SOM) プラットフォームの使用について説明します。
この研究では、リソースと電力に制約のある処理デバイスを使用して、低遅延のオンボード画像セマンティック セグメンテーションを実現するための多層完全畳み込みネットワーク (FCN) の形成と展開の課題に取り組んでいます。
この論文では、低コストのシステムによって課せられる制約に適応するために、ハイエンドのヘテロジニアス マルチプロセッシング システムオンチップ (MPSoC) 上で以前にテストされ、正常にトレーニングされた HSI セグメンテーションの軽量 FCN を再設計およびカスタマイズするための手順について詳しく説明します。
ソム。
この SOM は、自動運転システム (ADS) の導入に適した、ローエンドながらはるかに安価な MPSoC を備えています。
特にこの記事では、市販の固定小数点プログラマブル AI コプロセッサ IP に FCN を適合させるために使用されるデータおよびハードウェア固有の量子化手法について報告し、セグメンテーションの精度を損なうことなく計算コストとストレージ コストを削減する完全にカスタマイズされたトレーニング後の量子化スキームを提案しています。
。

要約(オリジナル)

The article discusses the use of low cost System-On-Module (SOM) platforms for the implementation of efficient hyperspectral imaging (HSI) processors for application in autonomous driving. The work addresses the challenges of shaping and deploying multiple layer fully convolutional networks (FCN) for low-latency, on-board image semantic segmentation using resource- and power-constrained processing devices. The paper describes in detail the steps followed to redesign and customize a successfully trained HSI segmentation lightweight FCN that was previously tested on a high-end heterogeneous multiprocessing system-on-chip (MPSoC) to accommodate it to the constraints imposed by a low-cost SOM. This SOM features a lower-end but much cheaper MPSoC suitable for the deployment of automatic driving systems (ADS). In particular the article reports the data- and hardware-specific quantization techniques utilized to fit the FCN into a commercial fixed-point programmable AI coprocessor IP, and proposes a full customized post-training quantization scheme to reduce computation and storage costs without compromising segmentation accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google