Vehicle Image Recognition System Chip Integrates Deep Neural Network Accelerator

搜索最新SoC解决方案
关于汽车电子...物联网...安全...音频...视频

Toshiba, Apr. 02, 2019 – 

东芝(Toshiba)宣布成功开发出新款汽车应用影像识别系统级晶片(SoC)，与东芝上一代产品相比，该产品使深度学习加速器的速度提升10倍，功率效率提高4倍。该技术成果的详情已于2月19日在旧金山举行的2019 IEEE国际固态电路会议(ISSCC)上发表。

自动紧急煞车等先进驾驶辅助系统可提供越来越快速反应等功能，但实现这些功能需要影像识别系统级晶片在低功耗条件下，高速识别道路交通号志和路况。深度神经网路(DNN)是模仿大脑神经网路的演算法，与传统模式识别和机器学习相比，DNN的识别处理精度要高得多，预计将会广泛的应用在车用领域。而采用传统处理器的DNN影像识别耗时较长，因依赖大量的乘积累加(MAC)计算。同时，采用传统高速处理器的DNN尚存功耗过高问题。

东芝利用可在硬体上实现深度学习的DNN加速器解决了以上难题。此外，新系统级晶片符合全球汽车应用功能安全标准ISO26262之要求。该产品三大特点：

    并行MAC单元；DNN处理需要大量MAC运算，东芝的新SoC搭载四个处理器，每个处理器包含256个MAC单元，因此提高了DNN的处理速度。

    减少了DRAM存取。传统的系统级晶片没有本机记忆体，无法在靠近DNN执行单元的位置保存临时资料，并且在存取本机记忆体时产生较大功耗。同时，载入用于MAC计算的加权数据也会产生较大功耗。东芝晶片可在DNN执行单元附近执行静态随机存取记忆体(SRAM)，并将DNN处理分为多个子处理区块，因此可将临时资料保存在SRAM内，从而减少了DRAM存取。此外，东芝还在加速器上增加了一个解压缩单元。可透过解压缩单元载入预先压缩并储存在DRAM中的加权数据。因此，降低了载入来自DRAM的加权数据时产生的功耗。

    减少了SRAM存取。传统深度学习需要在处理DNN的每一层之后存取DRAM，因此功耗过高。该加速器在DNN的DNN执行单元中设计有流水线层结构，以便在一次SRAM存取期间执行一系列DNN运算。

 Back