一种基于存算一体架构的安防方法、系统及设备技术方案

本发明专利技术公开了一种基于存算一体架构的安防方法、系统及设备，涉及安防领域，该方法包括：从模型库中选取多个基础模型；对每个所述基础模型进行个性化量化；基于量化后的基础模型构建存算一体架构；基于所述存算一体架构执行安防任务，并进行优化加速；所述存算一体架构的输入包括监控视频，所述存算一体架构的输出包括所述监控视频的识别结果；所述优化加速包括：空间映射、时间调度和时间流水线。本发明专利技术设置的优化加速方案能够加快模型的推理速度，提高安防的准确性和效率。提高安防的准确性和效率。提高安防的准确性和效率。

【技术实现步骤摘要】
一种基于存算一体架构的安防方法、系统及设备


[0001]本专利技术涉及安防
，特别涉及一种基于存算一体架构的安防方法、系统及设备。

技术介绍

[0002]随着智能安防系统在城市安全管理中的广泛应用，如人脸识别、视频监控、声音识别等，对深度神经网络在图像和视频分析中的性能要求越来越高。然而，不同的安防任务需要不同的神经网络模型，这些模型适用于不同的量化策略。压缩后的模型对底层计算支持的执行机制也各有差异，这使得处理异构量化模型变得更加复杂。交叉阵列内部数据通路的不灵活性限制了现有加速方案技术在应对这一挑战方面的应用范围。
[0003]为支持多种量化方案的智能安防应用场景，专门设计硬件架构的成本相当高。而通用硬件(如图形处理器)虽然支持部分格式的量化权重，但采用传统冯诺依曼架构，因此需要面对大量数据搬移和片外数据访问带来的性能瓶颈问题。
[0004]因此，针对安防领域异构压缩的特殊需求，急需一种能够有效支持多种量化策略、具有高度可扩展性且性能卓越的深度神经网络加速方案。这将有助于提高智能安防系统的实时性能和能效，推动深度学习在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于存算一体架构的安防方法，其特征在于，包括：从模型库中选取多个基础模型；所述模型库包括：卷积神经网络模型、循环神经网络模型和注意力机制网络模型；对每个所述基础模型进行个性化量化；基于量化后的基础模型构建存算一体架构；基于所述存算一体架构执行安防任务，并进行优化加速；所述存算一体架构的输入包括监控视频，所述存算一体架构的输出包括所述监控视频的识别结果；所述优化加速包括：空间映射、时间调度和时间流水线。2.根据权利要求1所述的基于存算一体架构的安防方法，其特征在于，对每个所述基础模型进行个性化量化，具体包括：将每个所述基础模型中的参数转换为整型和二次幂。3.根据权利要求1所述的基于存算一体架构的安防方法，其特征在于，所述存算一体架构包括：片上控制器、多个量化计算单元和片上缓冲器；所述片上控制器对所述量化计算单元进行调度，所述片上缓冲器用于缓存所述量化计算单元的计算结果；所述量化计算单元包括：交叉阵列、量化存储指示器、数据流控制器以及数字单元；所述交叉阵列用于存储量化后的基础模型以及分块后的基础模型；所述数据流控制器根据所述量化存储指示器中存储的指示对各交叉阵列进行调度；所述数字单元用于对各交叉阵列的计算结果进行处理。4.根据权利要求3所述的基于存算一体架构的安防方法，其特征在于，所述存算一体架构还包括特殊函数单元；所述特殊函数单元包括：池化函数和激活函数。5.根据权利要求3所述的基于存算一体架构的安防方法，其特征在于，所述数字单元包括：累加单元、移位器和加法器。6.根据权利要求3所述的基于存算一体架构的安防方法，其特征在于，所述空间映射，具体包括：将量化后的基础模型的权重矩阵按位切片，得到...

【专利技术属性】
技术研发人员：蒋力，刘方鑫，马辉，
申请(专利权)人：上海期智研究院，
类型：发明
国别省市：