- 题目:A Low-Power Deep Neural Network Online Learning Processor for Real-Time Object Tracking Application
- 时间:2019
- 期刊:TCAS-1(IEEE Transcations on Circuits and Systems-1)
- 研究机构:KAIST
1 缩写 & 引用
- BFA: binary feedback alignment
- RLC: run-length compression
- EMA: external memory access
- DFU: data feeding unit
- INF: inference
- EP: error propagation
- GG: gradient generation
- WU: weight update
2 abstract & introduction
本篇论文的主要贡献:
- 统一的DNN训练架构,可以实现高吞吐
- 提出了新的误差传播算法:binary feedback alignment
- 减少片外存储访问次数的优化:游程编码+动态位宽
- 喂数据单元:data feeding unit
- dropout 控制器,以减少冗余计算
3 算法
目标追踪算法是基于MDNet网络,之前的线上学习是对于conv4、fc6、fc7,他这里加入了一层全连接层fc5,然后对fc5、fc6、fc7进行线上学习
4 DNN训练处理器
4.1 游程编码压缩
之前的工作有人用过游程编码来压缩数据量的,他那里是16比特非零元素+3比特零的长度,节省了大约一半的面积
这里的话改进一点,用13比特非零元素+3比特零的个数,读数取数的时候需要编码解码