Nov, 2023

Edge TPU 与嵌入式 GPU 在计算辅助医学影像分割和分类中的能效对比

PDF
TL;DR本研究评估了在边缘 TPU 和嵌入式 GPU 处理器上基于医学图像的分割和分类的完全嵌入式医疗诊断辅助设备的能耗，以色视底图像的青光眼诊断为例展示了在嵌入式板上实时执行分割和分类的可能性，并强调了所研究实现的不同能源需求。
embedded medical diagnosis aidssegmentationclassificationglaucoma diagnosisenergy usage
发现论文，激发创造
  • 使用 AutoML 实现加速器感知的神经网络设计

    采用硬件意识神经架构搜索，设计了一类适用于 Edge TPU 的计算机视觉模型，有效提升了实时图像分类性能并在像素 4 的边缘 TPU 上改善了精度 - 延迟权衡。

    Mar, 2020

  • 张量处理单元的数据中心性能分析

    本研究是对 Tensor Processing Unit (TPU) 这种加速神经网络 (NN) 推理阶段的定制 ASIC 进行的评估，与同样部署在数据中心的 Intel Haswell CPU 和 Nvidia K80 GPU 相比，TPU 在保证相应时间的情况下比 GPU 或 CPU 平均快 15 倍 - 30 倍，TOPS/Watt 比 GPU 提高近 70 倍，比 CPU 提高 200 倍。

    Apr, 2017

  • 边缘面部表情识别：CPU vs GPU vs VPU vs TPU

    本研究提出了一种分层框架，用于针对边缘部署开发和优化硬件感知的 CNN，并且在多种边缘 AI 加速器上进行全面的分析。使用该策略在 CK + 面部表情数据集上达到了 99.49% 的峰值准确度，并实现了 0.39 毫秒的最小推断延迟和 0.52 瓦特的最小功耗。

    May, 2023

  • 卷积神经网络边缘 TPU 加速器评估

    本文介绍 Edge TPUs 的微体系结构细节、它们在不同计算生态中的性能表现以及开发高精度机器学习模型来评估加速器主要性能指标的努力，并讨论了 Edge TPU 加速器在不同结构的 CNN 上的性能表现。

    Feb, 2021

  • 嵌入式汽车平台上卷积神经网络包的性能 / 功耗评估

    最近的网络在嵌入式商用系统芯片上的有效性和效率进行了验证，为工程师选择最合适的卷积神经网络包和计算系统提供了指导。

    Oct, 2023

  • 边缘可持续 AI 处理

    本研究比较探讨了卷积神经网络加速引擎对于边缘计算的可持续性及其对推理和在线训练的影响，特别关注了处理内存、移动 GPU 加速器和新型 Racetrack 存储器的使用。研究表明，采用更加可持续的处理器内存和移动 GPU 加速器可以有效减少计算的能源占用率。

    Jul, 2022

  • 边缘 GPU 中的 CNN 架构提取

    通过进行侧信道分析，探索了神经网络在资源受限环境中的容易被逆向工程攻击的脆弱性，并发现神经网络架构可以通过深度学习的侧信道分析轻易被区分。

    Jan, 2024

  • 研究面向 eFPGA 的资源高效中子 /γ 射线分类机器学习模型

    实施机器学习模型于硬件上已取得了相当大的兴趣和进展，而该研究探索了电子可变程序逻辑阵列（eFPGA）在完全连接神经网络（fcNN）和增强决策树（BDT）模型实现方面的参数空间以及资源效率的权衡，以帮助制定一个作为测试芯片的一部分的 eFPGA 结构的规范。

    Apr, 2024

  • 面向 XR 应用的边缘 AI 硬件的基于内存的设计空间探索

    本研究旨在探索面向元宇宙应用的低功耗边缘人工智能能力，通过对手势识别和眼部分割工作负载的研究，以量化和硬件特定瓶颈的影响，评估了不同的硬件设计和不同技术节点，并引入新型的非挥发性存储器技术，证明了能够在满足最低 IPS 的情况下实现能耗显著的降低（> = 24%），同时区域显着缩小（> = 30％）。

    Jun, 2022

  • 揭示深度学习的能效：边缘设备上的测量、预测和评分

    本研究通过测量、预测和评分等三个方面的研究，揭示了边缘设备中深度学习的能量消耗特征，并设计了基于内核级能量数据集的边缘设备上的内核级能量预测器，最后引入了两个评分指标，旨在将复杂的边缘设备功耗和能量消耗数据转化为易于理解的形式，以推动边缘计算中的可持续发展思维。

    Oct, 2023