| Project/Area Number |
20J22918
|
|---|
| Research Category |
Grant-in-Aid for JSPS Fellows
|
| Allocation Type | Single-year Grants |
|---|
| Section | 国内 |
|---|
| Review Section |
Basic Section 60040:Computer system-related
|
|---|
| Research Institution | Tokyo Institute of Technology |
|---|
Principal Investigator |
神宮司 明良 東京工業大学, 工学院, 特別研究員(DC1)
|
|---|
| Project Period (FY) |
2020-04-24 – 2023-03-31
|
| Project Status |
Declined (Fiscal Year 2022)
|
| Budget Amount *help |
¥3,100,000 (Direct Cost: ¥3,100,000)
Fiscal Year 2022: ¥1,000,000 (Direct Cost: ¥1,000,000)
Fiscal Year 2021: ¥1,000,000 (Direct Cost: ¥1,000,000)
Fiscal Year 2020: ¥1,100,000 (Direct Cost: ¥1,100,000)
|
|---|
| Keywords | スパースCNN / FPGA / 計算機アーキテクチャ |
|---|
| Outline of Research at the Start |
自動運転などの組み込みシステムにおいて、ディープラーニングを用いた画像認識は膨大な計算を必要とするため、CPUは計算能力が足りず、GPUは消費電力が大きすぎる問題がある。スパース化の手法によって計算量を大幅に削減することが可能である。GPUなど汎用計算プロセッサではスパース化の効率的な計算が難しいため、FPGAなどの専用回路による専用アーキテクチャの開発が期待されている。本研究では、スパース化CNNを効率的に計算する新しいFPGAアーキテクチャを提案し、高い認識精度を持つ画像認識を低消費電力かつ安価な機材で実現することを目指す。
|
| Outline of Annual Research Achievements |
本研究は、CNNの計算量を削減するスパース化の手法を発展させ、高速処理と低消費電力を両立する画像認識システムを実現することを目的としている。本年度は、昨年度より引き続き特徴マップ分割によるメモリ削減の効果について検証すると共に、昨年度発見したスパース行列の新しい圧縮方式を用いたCNNモデルの学習方法について検討した。特徴マップ分割によるメモリ削減については、複数のCNNモデルについて認識精度をほとんど低下させることなく、メモリを大幅に削減できる効果があることが確認できた。スパース行列の新しい圧縮方式を用いたCNNモデルの学習方法については、焼きなまし法をベースとする最適化アルゴリズムに基づく学習アルゴリズムによって既存の学習モデルから認識精度をほとんど低下させることなく提案するスパース性を持つCNNモデルを学習できることが確認できた。本研究は計画当初より、提案する特徴マップ分割と新しい圧縮方式の手法を組み合わせることにより、エッジ端末向けの実装として消費電力やハードウェアリソースなど厳しい制約を達成できると考えていた。研究者の短縮修了に伴い本課題は本年度で終了されるが、今後の研究の展開としてこれら手法を組み合わせた場合にどのようなパフォーマンスが発揮されるかについて実験を行い評価する必要があると考える。本年度は本研究課題に関連する研究成果として、英文論文誌１件に掲載され、国内研究会で2件発表し、2件の発表受賞を得た。
|
| Research Progress Status |
翌年度、交付申請を辞退するため、記入しない。
|
| Strategy for Future Research Activity |
翌年度、交付申請を辞退するため、記入しない。
|
