Photonic Accelerators for Image Segmentation in Autonomous Driving and Defect Detection

要約

フォトニックコンピューティングは、従来のデジタルハードウェアよりも高速でエネルギー効率の高いディープニューラルネットワーク（DNN）推論を約束する。フォトニックコンピューティングの進歩は、自律走行や欠陥検出など、画像セグメンテーションモデルの高速・高精度・エネルギー効率実行に依存するアプリケーションに多大な影響を与える可能性がある。本論文では、フォトニックアクセラレータ上での画像セグメンテーションを調査し、a) フォトニックアクセラレータに最適な画像セグメンテーションDNNアーキテクチャの種類、b) フォトニックアクセラレータ上でさまざまな画像セグメンテーションモデルを実行する際のスループットとエネルギー効率、およびそのトレードオフについて検討する。具体的には、特定のセグメンテーションモデルが、フォトニックアクセラレータ上で実行された場合、（デジタルフロート32モデルと比較して）無視できる程度の精度の低下を示すことを実証し、そのロバスト性の経験的根拠を探る。また、うまく機能しないモデルの場合に精度を回復する技術についても議論する。さらに、フォトニックアクセラレータ上でのさまざまな画像セグメンテーションのワークロードについて、スループット（1秒あたりの推論数）とエネルギー消費量の見積もりを比較します。このようなコンピュータビジョンタスクへのフォトニックアクセラレータの適用を改善するのに役立つ課題と潜在的な最適化について議論する。

要約(オリジナル)

Photonic computing promises faster and more energy-efficient deep neural network (DNN) inference than traditional digital hardware. Advances in photonic computing can have profound impacts on applications such as autonomous driving and defect detection that depend on fast, accurate and energy efficient execution of image segmentation models. In this paper, we investigate image segmentation on photonic accelerators to explore: a) the types of image segmentation DNN architectures that are best suited for photonic accelerators, and b) the throughput and energy efficiency of executing the different image segmentation models on photonic accelerators, along with the trade-offs involved therein. Specifically, we demonstrate that certain segmentation models exhibit negligible loss in accuracy (compared to digital float32 models) when executed on photonic accelerators, and explore the empirical reasoning for their robustness. We also discuss techniques for recovering accuracy in the case of models that do not perform well. Further, we compare throughput (inferences-per-second) and energy consumption estimates for different image segmentation workloads on photonic accelerators. We discuss the challenges and potential optimizations that can help improve the application of photonic accelerators to such computer vision tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL