Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.14651v1

帮助 | 高级搜索

计算机科学 > 硬件架构

arXiv:2507.14651v1 (cs)
[提交于 2025年7月19日 ]

标题: 在边缘实现混合视觉变换器(ViT)网络的高效硬件加速

标题: Enabling Efficient Hardware Acceleration of Hybrid Vision Transformer (ViT) Networks at the Edge

Authors:Joren Dumoulin, Pouya Houshmand, Vikram Jain, Marian Verhelst
摘要: 混合视觉变压器结合传统神经网络(NN)和视觉变压器(ViT)的元素,以实现轻量级和精确的检测。 然而,它们在资源受限的边缘设备上的高效部署仍面临一些挑战。 混合模型由于存在广泛多样的NN层类型和大型中间数据张量,阻碍了高效的硬件加速。 为了在边缘执行,本文在硬件-调度堆栈中提出了创新:a.) 在最低级别,一个可配置的PE数组支持所有混合ViT层类型;b.) 在同一层内的时间循环重新排序,使硬件支持归一化和softmax层,最小化片上数据传输;c.) 进一步的调度优化利用反向瓶颈层之间的层融合,大幅减少片外内存传输。 所得到的加速器采用28nm CMOS实现,达到25.6 GMACs/s时的峰值能效1.39 TOPS/W。
摘要: Hybrid vision transformers combine the elements of conventional neural networks (NN) and vision transformers (ViT) to enable lightweight and accurate detection. However, several challenges remain for their efficient deployment on resource-constrained edge devices. The hybrid models suffer from a widely diverse set of NN layer types and large intermediate data tensors, hampering efficient hardware acceleration. To enable their execution at the edge, this paper proposes innovations across the hardware-scheduling stack: a.) At the lowest level, a configurable PE array supports all hybrid ViT layer types; b.) temporal loop re-ordering within one layer, enabling hardware support for normalization and softmax layers, minimizing on-chip data transfers; c.) further scheduling optimization employs layer fusion across inverted bottleneck layers to drastically reduce off-chip memory transfers. The resulting accelerator is implemented in 28nm CMOS, achieving a peak energy efficiency of 1.39 TOPS/W at 25.6 GMACs/s.
主题: 硬件架构 (cs.AR)
引用方式: arXiv:2507.14651 [cs.AR]
  (或者 arXiv:2507.14651v1 [cs.AR] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.14651
通过 DataCite 发表的 arXiv DOI
相关 DOI: https://doi.org/10.1109/ISCAS58744.2024.10558587
链接到相关资源的 DOI

提交历史

来自: Joren Dumoulin [查看电子邮件]
[v1] 星期六, 2025 年 7 月 19 日 14:57:23 UTC (4,719 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.AR
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号