应用于智能芯片的可视化反馈系统研究

doi:10.13700/j.bh.1001-5965.2019.0518

北京航空航天大学学报 ›› 2020, Vol. 46 ›› Issue (8): 1494-1502.doi: 10.13700/j.bh.1001-5965.2019.0518

应用于智能芯片的可视化反馈系统研究

李欣致¹, 董胜波¹, 崔向阳², 刘志哲¹, 郭广浩¹

1. 北京遥感设备研究所, 北京 100854;
2. 航天科工网络信息发展有限公司, 北京 100048

收稿日期:2019-09-24 发布日期:2020-08-27
通讯作者: 董胜波 E-mail:shbdong@aliyun.com
作者简介:李欣致女,博士研究生,工程师。主要研究方向:控制科学与工程。
董胜波男,博士,研究员,博士生导师。主要研究方向:控制科学与工程。
崔向阳男,硕士,工程师。主要研究方向:智能信息处理。
刘志哲男,博士,研究员。主要研究方向:SoC芯片和智能处理器。
郭广浩男,博士研究生,工程师。主要研究方向:智能芯片处理。

Visual feedback system applied to AI chips

LI Xinzhi¹, DONG Shengbo¹, CUI Xiangyang², LIU Zhizhe¹, GUO Guanghao¹

1. Beijing Institute of Remote Sensing Equipment, Beijing 100854, China;
2. Aerospace Science and Industry Network Information Development Co., Ltd., Beijing 100048, China

Received:2019-09-24 Published:2020-08-27

摘要/Abstract

摘要： 当前，市场上普遍使用的负责推理的终端人工智能（AI）芯片使用训练好的参数对数据进行快速高效运算。但在通常训练过程中使用的数据集和真实数据的分布不一致，由此获得的参数会导致终端AI芯片识别准确度降低。为此，提出了一种基于终端AI芯片的可视化反馈系统架构方法。使用反卷积特征可视化方法，在具有高效计算性能的终端AI芯片上，对卷积核参数进行迭代优化，达到可识别该图像目的。相比于CPU/GPU和FPGA，所提架构在卷积神经网络模型里，更具有高效处理能力和灵活可塑性。实验表明，该研究有效提高了终端AI芯片的普适性、识别准确度和处理效率。

关键词: 深度学习, 终端人工智能(AI)芯片, 卷积层可视化, 卷积核参数优化, 小样本

Abstract: Currently, terminal Artificial Intelligence (AI) chips responsible for inference are commonly used in the market, which use trained parameters to perform fast and efficient calculations on data. However, the training dataset usually has different distribution with the real-world data, and the parameters obtained in this case lead to a decrease in the accuracy of the terminal chip recognition. To this end, this paper proposes a visual feedback system architecture method based on terminal AI chip. Using the deconvolution feature visualization method, the convolution kernel parameters are iteratively optimized on the terminal AI chip with high computational performance to achieve the purpose of recognizing the image. Compared with CPU/GPU and FPGA, the architecture proposed in this paper has more efficient processing capability and flexible plasticity in the convolutional neural network model. Experiments show that the research effectively improves the universality, recognition accuracy and handling efficiency of the terminal chip.

Key words: deep learning, terminal Artificial Intelligence (AI) chip, convolution layer visualization, convolution kernel parameter optimization, small sample

中图分类号:

TP183

李欣致, 董胜波, 崔向阳, 刘志哲, 郭广浩. 应用于智能芯片的可视化反馈系统研究[J]. 北京航空航天大学学报, 2020, 46(8): 1494-1502.

LI Xinzhi, DONG Shengbo, CUI Xiangyang, LIU Zhizhe, GUO Guanghao. Visual feedback system applied to AI chips[J]. Journal of Beijing University of Aeronautics and Astronautics, 2020, 46(8): 1494-1502.

参考文献

[1] HINTON G E,SALAKHUTDINOV R.Reducing the dimensionality of data with neural networks[J].Science,2006,313(5786):504-507.
[2] MIROWSKI P,LECUN Y,MADHAVAN D,et al.Comparing SVM and convolutional networks for epileptic seizure prediction from intracranial EEG[C]//Proceedings of IEEE International Workshop on Machine Learning for Signal Processing.Piscataway:IEEE Press,2008:244-249.
[3] 杨喜权.数字逻辑电路[M].成都:电子科技大学出版社,2004:150.YANG X Q.Digital logic circuit[M].Chengdu:University of Electronic Science and Technology Press,2004:150(in Chinese)
[4] 施羽暇.人工智能芯片技术研究[J].电信网技术,2016(12):11-13.SHI Y X.Research on artificial intelligence process chip technology[J].Telecommunications Network Technology,2016(12):11-13(in Chinese).
[5] HECHT-NIELSEN R.Theory of the backpropagation neural network[J].Neural Networks,1988,1(S1):445-448.
[6] 张美芳,王羽,郑碧琪,等.人工智能在汽车自动驾驶中的应用[J].汽车工业研究,2019(3):2-7.ZHANG M F,WANG Y,ZHENG B Q,et al.Application of artificial intelligence in autonomous driving[J].Automotive Industry Research,2019(3):2-7(in Chinese).
[7] 张顺,龚怡宏,王进军.深度卷积神经网络的发展及其在计算机视觉领域的应用[J].计算机学报,2019,42(3):453-482.ZHANG S,GONG Y H,WANG J J.The development of deep convolutional neural network and its application in the field of computer vision[J].Chinese Journal of Computers,2019,42(3):453-482(in Chinese).
[8] BURDEA G C,COIFFET P.Virtual reality technology[M].New York:John Wiley & Sons,2003:12-13.
[9] KRIZHEVSKY A,SUTSKEVER I,HINTON G E,et al.ImageNet classification with deep convolutional neural networks[J].Neural Information Processing Systems,2012,141(5):1097-1105.
[10] KOTHARI S C,OH H.Neural networks for pattern recognition[J].Advances in Computers,1993,37:119-166.
[11] KRIZHEVSKY A,ILYA S,HINTON G E.Imagenet classification with deep convolutional neural networks[C]//Proceedings of the 25th International Conference on Neural Information Processing Systems-Volume 1.Red Hook:Curran Associates Inc.,2012:1097-1105.
[12] SIMONYAN K,ZISSERMAN A.Very deep convolutional networks for large-scale image recognition[EB/OL].(2015-04-10)[2019-09-20].https://arxiv.org/abs/1409.1556.
[13] SZEGEDY C,LIU W,JIA Y,et al.Going deeper with convolutions[C]//IEEE Conference on Computer Vision and Pattern Recognition.Piscataway:IEEE Press,2015:1-9.
[14] HE K,ZHANG X,REN S,et al.Deep residual learning for image recognition[C]//IEEE Conference on Computer Vision and Pattern Recognition.Piscataway:IEEE Press,2016:770-778.
[15] HU J,SHEN L,SUN G,et al.Squeeze-and-excitation networks[EB/OL].(2019-05-16)[2019-09-20].https://arxiv.org/abs/1709.01507.
[16] REDMON J,FARHADI A.YOLOv3:An incremental improvement[EB/OL].(2018-04-08)[2019-09-20].https://arxiv.org/abs/1804.02767.
[17] ZEILER M D,FERGUS R.Visualizing and understanding convolutional networks[C]//European Conference on Computer Vision.Berlin:Springer,2014:818-833.
[18] ZEILER M D,TAYLOR G W,FERGUS R,et al.Adaptive deconvolutional networks for mid and high level feature learning[C]//International Conference on Computer Vision.Piscataway:IEEE Press,2011:2018-2025.
[19] GOODFELLOW I,POUGET-ABADIE J,MIRZA M,et al.Generative adversarial nets[C]//Advances in Neural Information Processing Systems.Red Hook:Curran Associates Inc.,2014:2672-2680.

应用于智能芯片的可视化反馈系统研究

Visual feedback system applied to AI chips

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张阳, 牛之贤, 牛保宁, 常艳. 基于高分辨率网络的单声道歌声分离[J]. 北京航空航天大学学报, 2020, 46(8): 1555-1563.
[2]	李承昊, 茹乐, 何林远, 迟文升. 一种可变锚框候选区域网络的目标检测方法[J]. 北京航空航天大学学报, 2020, 46(8): 1610-1617.
[3]	吕娜, 周家欣, 陈卓, 刘鹏飞, 高维廷. 一种鲁棒性增强的机载网络流量分类方法[J]. 北京航空航天大学学报, 2020, 46(7): 1237-1246.
[4]	郑磊, 胡维多, 刘畅. 基于深度学习的大型陨石坑识别方法研究[J]. 北京航空航天大学学报, 2020, 46(5): 994-1004.
[5]	边亮, 罗霄阳, 李硕. 基于深度学习的图像拼接篡改检测[J]. 北京航空航天大学学报, 2020, 46(5): 1039-1044.
[6]	杨思晨, 王华锋, 王月海, 李锦涛, 王赟豪. 深度学习机制与小波融合的超分辨率重建算法[J]. 北京航空航天大学学报, 2020, 46(1): 189-197.
[7]	张克明, 蔡远文, 任元. 基于生成对抗网络的航天异常事件检测方法[J]. 北京航空航天大学学报, 2019, 45(7): 1329-1336.
[8]	魏宏喜, 张越. 基于生成对抗网络的零样本图像分类[J]. 北京航空航天大学学报, 2019, 45(12): 2345-2350.
[9]	张新峰, 郭宇桐, 蔡轶珩, 孙萌. 基于DCNN和全连接CRF的舌图像分割算法[J]. 北京航空航天大学学报, 2019, 45(12): 2364-2374.
[10]	赵国, 秦世引. PMMWI与VI优势互补的人体隐蔽违禁物检测与定位[J]. 北京航空航天大学学报, 2019, 45(10): 2011-2025.
[11]	郭琳, 秦世引. 遥感图像飞机目标高效搜检深度学习优化算法[J]. 北京航空航天大学学报, 2019, 45(1): 159-173.
[12]	韩京冶, 许福, 陈志泊, 刘辉. 一种基于深度学习的交互式电话号码识别方法[J]. 北京航空航天大学学报, 2018, 44(5): 1074-1080.
[13]	王鑫, 吴际, 刘超, 杨海燕, 杜艳丽, 牛文生. 基于LSTM循环神经网络的故障时间序列预测[J]. 北京航空航天大学学报, 2018, 44(4): 772-784.
[14]	车畅畅, 王华伟, 倪晓梅, 洪骥宇. 基于深度学习的航空发动机故障融合诊断[J]. 北京航空航天大学学报, 2018, 44(3): 621-628.
[15]	许轲, 吴凤鸽, 赵军锁. 基于深度强化学习的软件定义卫星姿态控制算法[J]. 北京航空航天大学学报, 2018, 44(12): 2651-2659.