文献

J-GLOBAL ID：202002213778841725   整理番号：20A1364682

GRAMARCH:ニューラル画像セグメンテーションのためのGPU-ReRAMベースの異種アーキテクチャ【JST・京大機械翻訳】

GRAMARCH: A GPU-ReRAM based Heterogeneous Architecture for Neural Image Segmentation

著者 (6件)： Joardar Biresh Kumar (Washington State University,School of EECS,Pullman,WA,U.S.A.,99164) ,  Kannappan Jayakodi Nitthilan (Washington State University,School of EECS,Pullman,WA,U.S.A.,99164) ,  Doppa Janardhan Rao (Washington State University,School of EECS,Pullman,WA,U.S.A.,99164) ,  Li Hai (Duke University Durham,Department of ECE,NC,USA) ,  Pande Partha Pratim (Washington State University,School of EECS,Pullman,WA,U.S.A.,99164) ,  Chakrabarty Krishnendu (Duke University Durham,Department of ECE,NC,USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： DATE  ページ： 228-233  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 画像セグメンテーションに用いる深層ニューラルネットワーク(DNN)は,分類に用いるものと比べて,計算的に高価で複雑である。しかし,これらのDNNの訓練を加速するための多くのコアアーキテクチャは,比較的調査されていない。抵抗ランダムアクセスメモリ(ReRAM)ベースのアーキテクチャは,DNNを訓練するための一般的に使用されるGPUベースプラットフォームの有望な代替を提供する。しかし,それらの低精度貯蔵能力のため,これらのアーキテクチャは,すべてのDNN層をサポートできず,学習モデルの精度損失に悩まされる。これらの課題に取り組むために,高スループット3Dネットワークオンチップを用いて,ReRAMとGPUの利益を同時に組み合わせる不均一アーキテクチャであるGRAMARCHを提案した。実験結果は,DNN層を処理要素に適切にマッピングすることによって,画像セグメンテーションのための従来のGPUと比較して,53Xのより良い性能を達成できることを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習モデル ,  三次元 ,  *計算機アーキテクチャ
準シソーラス用語： *画像セグメンテーション ,  ハイスループット ,  ネットワークオンチップ ,  *ReRAM ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 画像セグメンテーション ,  GPU ,  ReRAM ,  アーキテクチャ