文献

J-GLOBAL ID：201702237790393838   整理番号：17A0243039

DCNNに最適なCGRAの探索と予備評価

著者 (5件)： 一倉孝宏 (奈良先端科学技術大学院大) ,  一倉孝宏 (コニカミノルタ 事業開発本部) ,  山野龍佑 (奈良先端科学技術大学院大) ,  福岡久和 (奈良先端科学技術大学院大) ,  中島康彦 (奈良先端科学技術大学院大)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 116  号： 415(VLD2016 70-101)  ページ： 49-54  発行年： 2017年01月16日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： Deep Learningにより機械学習の性能が大きく向上しており,画像認識の精度では,人間以上の精度が実現されている。この高精度な画像認識技術は,様々な分野での活用が見込まれている。しかし,Deep Learningを用いた画像認識で標準的に使用されるDCNNは,非常に計算量が多いため,高性能な計算機が必要である。高性能な計算機が搭載できない組み込み機器へ,この画像認識技術を搭載するために,低消費電力で高性能を狙ったCGRA型のアクセラレータであるEMAXVをベースに,DCNN最適なCGRAを探索し,予備評価を行った。評価によって得られた結果から,さらに探索を進め,ARM Coretex-A9のデュアルコアに比べて40倍,Vivante GC2000+に比べて11倍,Xilinx Zynq(Z-7020)のFPGA部に高位合成を使用して演算処理回路を実装したものに比べて6倍の性能が出せることを見積もりにより確認した。(著者抄録)

シソーラス用語： *ニューラルネットワーク ,  *固体粒子 ,  *システムアーキテクチャ ,  *最適化 ,  *捜索 ,  *評価 ,  機械学習 ,  画像認識 ,  計算量 ,  消費電力 ,  データ処理システム
準シソーラス用語： *ディープニューラルネットワーク ,  *畳込みニューラルネットワーク ,  *粗粒子 ,  *再構成可能アーキテクチャ ,  深層学習 ,  低消費電力 ,  高性能 ,  アクセラレータ

分類 (3件)： 専用演算制御装置  (JC04030Y) ,  パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

引用文献 (8件)：

• 中島康彦:EMAXVにおける複数バースト転送と複数ベクトル演算のオーバラップ手法,信学技報 CPSY2016-15,pp.71-76,Aug.(2016)
• Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton:ImageNet Classification with Deep Convolutional Neural Networks, NIPS2012
• Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun:Deep Residual Learning for Image Recognition, in arXiv: 1512.03385, 2015.
• 内閣府 平成28年版高齢者白書: http://www8.cao.go.jp/kourei/whitepaper/w-2016/html/gaiyou/index.html
• Alexander Toshev, Christian Szegedy:DeepPose: Human Pose Estimation via Deep Neural Networks, CVPR2014

タイトルに関連する用語 (2件)： 探索 ,  評価