CC BY
30
УДК 004.932 DOI 10.18522/2311-3103-2022-1-279-288
К.А. Суминов, Н.А. Бочаров
ИССЛЕДОВАНИЕ ОГРАНИЧЕНИЙ ПРИМЕНИМОСТИ МИКРОПРОЦЕССОРОВ РЯДА ЭЛЬБРУС ДЛЯ РЕШЕНИЯ ЗАДАЧ ТЕХНИЧЕСКОГО ЗРЕНИЯ
Одним из ключевых направлений развития области искусственного интеллекта является направление технического зрения. Для ресурсоемких задач технического зрения создаются высокопроизводительные вычислительные комплексы (ВК), использующие специализированные ускорители. Использование таких ускорителей обусловлено неспособностью микропроцессоров (МП) общего назначения решить такие задачи за поставленное время вследствие большой вычислительной нагрузки. Однако, в настоящее время, МП ряда Эльбрус успешно используются для решения задач технического зрения как в серверном, так и в бортовом режимах, а появление МП Эльбрус шестого поколения должно еще больше повысить производительность на таких задачах. В силу дороговизны, большей сложности и ограничений в использовании систем со специализированными ускорителями встает вопрос об определении условий, в которых для решения рассматриваемых задач достаточно использовать МП общего назначения, например из ряда Эльбрус, без специальных ускорителей. Одними из самых ресурсоемких задач в области технического зрения являются задачи обнаружения и классификации объектов на изображении. Для обнаружения объектов одним из популярных методов является метод Виолы-Джонса. Для решения задачи классификации как правило используются сверточные нейронные сети. На примере сетей VGG16 и VGG19 разработаны математические модели вычислений применительно к актуальным микропроцессорам ряда Эльбрус. С использованием разработанных моделей обоснована теоретическая достаточность производительность микропроцессоров Эльбрус для задач технического зрения. Также, на основе данных методов разработаны программы моделирования поиска и объектов на фото и в видеопотоке. Программы написаны на языке C++ с использованием библиотеки OpenCV, ОПО Эльбрус, библиотеки Платформы-ГНС и базы данных соревнований ImageNet. С использованием реализованных программ было проведено сравнительное тестирование на ряде ВК с процессорами Эльбрус, а также ВК с процессорами intel и ускорителем в виде видеокарты Nvidia. На основе полученных результатов показано, что для решения задачи поиска объектов на изображении выбранным методом достаточно МП Эльбрус-8С для входных разрешений до 1920 х 1080, где обеспечивается скорость обработки видеопотока более 20 кадров в секунду.
Техническое зрение; микропроцессоры эльбрус; сверточные нейронные сети; OpenCV.
K.A. Suminov, N.A. Bocharov
RESEARCH OF APPLICABILITY LIMITATIONS FOR ELBRUS MICROPROCESSORS FOR SOLVING TASKS OF TECHNICAL VISION
One of the key areas in the artificial intelligence is technical vision. For resource-intensive tasks of technical vision high-performance, computing systems are created with use of specialized accelerators. The use of such accelerators is necessary due to the inability of general-purpose microprocessors (GPM) to solve such problems in a given time due to a high computational load. However, the microprocessors of Elbrus series are successfully used to solve technical vision problems in both server and on-board modes, and the appearance of the sixth-generation Elbrus microprocessors should further improve performance on such tasks. Due to the high cost, greater complexity and limitations in the use of systems with specialized accelerators, the question arises of determining the conditions under which, it is sufficient to use CPU's to solve the tasks of technical vision, for example, with the microprocessors of the Elbrus series without special accelerators. One of the most resource-intensive tasks in the field of technical vision are detection and classification of objects. For the detection of objects one of the popular methods is the Viola-Jones method. Convolutional neural networks are usually used to solve the classification problem.
Mathematical models of computations have been developed for VGG16 and VGG19 neural networks in relation to the actual microprocessors of the Elbrus series. Using the developed models, the theoretical sufficiency of the performance of Elbrus microprocessors for technical vision tasks is substantiated. Also, based on these methods, programs for modeling detection and classifications objects in the image and video stream have been developed. The programs are written in C+ + using the OpenCV library, OPO Elbrus, the GNS Platform library and the ImageNet competition database. Using the implemented programs, comparative testing was carried out on a number of high-performance computing systems with Elbrus and Intel CPU's and NVidia video card. Based on the results obtained, it is shown that the Elbrus-8S is sufficient to solve the problem of searching for objects in the image for input resolutions up to 1920 x 1080, where the processing speed of the video stream is more than 20 frames per second.
Technical vision; elbrus microprocessors; convolutional neural networks; OpenCV.
Введение. Задачи технического зрения в настоящее время являются важным направлением развития области искусственного интеллекта[1]. Создание новых поколений автономных робототехнических комплексов, систем распознавания и систем технического зрения в целом невозможно без использования современной вычислительной техники. При этом для решения подобного рода задач в настоящее время активно применяются и разрабатываются [2-4] вычислительные комплексы с использованием специализированных ускорителей. Тем не менее, граница применимости таких спец. ускорителей при проектировании вычислительных комплексов для решения подобных задач часто определяется эмпирически, в особенности для ВК на основе МП серии «Эльбрус» [5]. Т.к. в силу особенности архитектуры МП «Эльбрус» - Very Long Instruction Word (VLIW) - сложно и не всегда возможно оценить сложность и ресурсоемкость решения на базе имеющихся решений подобных задач, реализованных для систем с МП других архитектур.
Одним из важных и актуальных применением бортовых систем с МП серии «Эльбрус» являются бортовые вычислители и системы технического зрения. В ходе проведенных в АО МЦСТ работ показано, что вычислители на основе МП серии «Эльбрус» могут и успешно используются для решения задач технического зрения как в серверном [6] так и в бортовом [7] режиме. В 2017 году АО МЦСТ разработан и внедрен бортовой вычислитель на базе МП Эльбрус-4С, обеспечивающий достаточную производительность для автономного движения робота на скоростях до 40 км\ч. В работе [8] было обосновано, что для обеспечения корректной работы на такой скорости достаточным условием является работа системы технического зрения с производительностью не менее 10 кадров в секунду.
Появление новых МП серии Эльбрус, таких как Эльбрус-8СВ, Эльбрус-2С3 и Эльбрус-16С [9], а также средств вычислительной техники на их основе [10] открывает новые перспективы перед разработчиками робототехнических комплексов (РТК). Высокая производительность, обеспечиваемая новыми МП серии Эльбрус, позволит создавать бортовые вычислительные комплексы, способные решать задачи технического зрения на РТК, с использованием отечественной программно-аппаратной платформы.
Целью данной работы является исследование ограничений применимости МП ряда Эльбрус для решения задач технического зрения для определения структуры перспективных бортовых вычислительных комплексов.
Особенности аппаратно-программной платформы «Эльбрус» для задач технического зрения. Ключевые особенности МП серии «Эльбрус» - в том числе архитектура VLIW, предполагающая содержание нескольких операций в одной инструкции процессора, когда распараллеливание между множеством вычислительных блоков процессора происходит на этапе компиляции программы, большой парк вычислительных устройств (АЛУ) в составе процессоров «Эльбрус», большое количество операций - 25 в скалярном и 41 и векторном режимах [11] за такт
на одно ядро (Для Эльбрус-8С), за счет явного параллелизма микроопераций дают возможность поставить процессоры «Эльбрус» в ряд между процессорами общего назначения и специализированными процессорами, использующими SIMD инструкции. В совокупности с большой степенью параллельности многих задач, обеспечивающих функционирование систем технического зрения, это дает основание предполагать, что задачи подобного класса могут эффективно решаться и использованием современных МП серии «Эльбрус».
В табл. 1 представлены основные характеристики актуальных МП «Эльбрус» а также эквивалентных процессоров Intel.
Таблица 1
Основные характеристики рассматриваемых МП
Процессор Эльбрус 8С ^ Эльбру с 8СВ Эльбру с 16С Эльбру с 2СЗ intel Core i7-2600 intel Core i7-8565U intel Core i7-8700 Intel Xeon silver 4110 Intel Xeoit e5 2620 v4 NVidia GeForce GTX 960
Мнкроархитектура elbrus — v4 elbrus -v5 elbrus -v6 elbrus -v6 SandyBridge Wliiske у Lake Coffee Lake SkyLak e Broadwe 11 Maxwell
Частота (МГц) 1300 1500 2000 2000 34003800 18004600 32004600 21003000 21003000 11261178
Ядра 8 8 16 2 4 4 6 8 8 1024
Техпроцесс(нм) 28 28 16 16 32 14 14 14 14 28
ТБР(Вт) не более 70 80 110 15 95 25 65 85 85 120
Тип ОЗУ DDR3-1600 DDR4 -2400 DDR4 -3200 DDR4- 3200 DDR3 -1333 DDR4-2400 DDRI 2666 DDR4-2400 DDR4-2133 GDDR5-1752
Год выпуска 2016 2020 2022 2022 2011 2018 2018 2017 2016 2015
Математическая модель вычислений задач технического зрения на платформе Эльбрус. Системы технического зрения предназначены для решения задач получая информацию из изображений различного рода, в том числе и не графических. Задачи, для решения которых применяются системы технического зрения, включают в себя классификацию, кластеризацию, отслеживание, обнаружение, сегментацию и др. [12].
Для решения задач классификации и кластеризации объектов успешно применяются алгоритмы, основанные на использовании нейронных сетей [13]. Одним из примеров такой сети является fully connected сеть, где каждый нейрон следующего слоя соединен с каждым нейроном предыдущего слоя. В таких сетях успешно используются различные виды признаков, в том числе: бинарный, номинальный, порядковый, количественный и др. В реальных случаях возможно очень большое количество признаков для каждого объекта, и если среди них есть коррелирующие между собой признаки находящиеся в непосредственной зависимости, если не все они имеют ценность в конкретном случае и такие признаки могут быть исключены без существенной потери информации, то применяются методы понижения размерности пространства признаков для уменьшения вычислительной нагрузки. При работе с изображениями с задачей лучше справляются сверточные нейронные сети [14, 15], которые позволяют сильно сократить объем необходимых для работы параметров.
Работа сверточной нейронной сети обычно интерпретируется как переход от конкретных особенностей изображения к более абстрактным деталям, и далее к ещё более абстрактным деталям вплоть до выделения понятий высокого уровня.
При этом сеть самонастраивается и вырабатывает сама необходимую иерархию абстрактных признаков (последовательности карт признаков), фильтруя маловажные детали и выделяя существенные. Работа таких сетей основана на использовании операций свертки примененной к изображению. Используя различные ядра свертки формируется поиск различных признаков на изображении. Схема применения свертки приведена на рис. 1.
вход фильтр выход
Рис. 1. Схема применения свертки к изображению
Из схемы видно, что для вычисления свертки основными операциями являются операции умножения и сложения, которые могут быть реализованы в виде совмещенных операций умножения-сложения. Также в архитектуре такой сети могут использоваться слои пуллинга, подвыборки, субдискретизации используемые для уменьшения размерности карты признаков. Пример работы max-pooling слоя представлен на рис. 2.
34
112
70
100
37
25
12
112
37
Рис. 2. Схема работы max-pooling слоя
Известными архитектурами сверточных нейронных сетей, дающими хороший результат top 5 accuracy (среди топ 5 результатов сети присутствует ожидаемый ответ) - более 92% на соревновании ImageNet [16] являются сети VGG16 и VGG19 [17]. Схематичное изображение слоев сети VGG19 представлено на рис. 3. Сеть использует изображения 224х224х3 на входе, оперирует с FP32 числами, имеет 19 слоев с весами и 5 pooling слоев. Первая часть сети (содержащая свер-точные слои) используется для извлечения признаков с изображения, вторая часть, состоящая из последних 3 слоев представляет собой Fully Connected нейронную сеть для распознавания одного из классов, к которому принадлежит изображение. Архитектура VGG16 отличается от VGG19 отсутствием 8, 12 и 16 слоев.
Для теоретического обоснования времени выполнения вычислений на примере МП Эльбрус, разработана математическая модель вычислений, учитывающая количество операций, производимых при расчёте нейронной сети с архитектурой VGG16 и VGG19. В табл. 2 представлены необходимое количество параметров и их объем при выполнении вычислений сети указаны архитектуры, а также количество и тип необходимых операций для VGG19 и VGG16. Слои, помеченные (*) не входят в VGG16.
224 * 224 * 3 224 * 224 х 64
1 2
Рис. 3. Схема архитектуры ¥0016
Таблица 2
Количество параметров, операций и их тип для слоев сети УОС19
номер слоя слой размерность входа количество умножений в слое количество сложений в слое количество сравнений в слое количество параметров в слое
ш в г
1 сопу3-64 224 224 3 89915392 86704128 0 1792
2 сопу3-64 224 224 64 1852899328 1849688064 0 36928
роо12 224 224 64 0 0 2408448 0
3 сопу3-128 112 112 64 926449664 924844032 0 73856
4 сопу3-128 112 112 128 1851293696 1849688064 0 147584
роо12 112 112 128 0 0 1204224 65664
5 сопу3-256 56 56 128 925646848 924844032 0 295168
6 сопу3-256 56 56 256 1850490880 1849688064 0 590080
7 сопу3-256 56 56 256 1850490880 1849688064 0 590080
8(*) сопу3-256 56 56 256 1850490880 1849688064 0 590080
роо12 56 56 256 0 0 602112 0
9 сопу3-512 28 28 256 925245440 924844032 0 1180160
10 сопу3-512 28 28 512 1850089472 1849688064 0 2359808
11 сопу3-512 28 28 512 1850089472 1849688064 0 2359808
12(*) сопу3-512 28 28 512 1850089472 1849688064 0 2359808
роо12 28 28 512 0 0 301056 0
13 сопу3-512 14 14 512 462522368 462422016 0 2359808
14 сопу3-512 14 14 512 462522368 462422016 0 2359808
15 сопу3-512 14 14 512 462522368 462422016 0 2359808
16(*) сопу3-512 14 14 512 462522368 462422016 0 2359808
роо12 14 14 512 0 0 75264 0
17 5:4096 1 1 25088 102760448 102760448 0 102764544
18 5:4096 1 1 4096 16777216 16777216 0 16781312
19 5:1000 1 1 4096 4096000 4096000 0 4097000
Всего VGG19 19646914560 19632062464 4290048 143732904
Всего VGG16 15483811840 15470264320 4591104 138423208
В табл. 3 представлены значения теоретического времени выполнения расчетов сетей (inference) при рассмотрении идеальной модели процессоров, в которой отсутствуют задержки по памяти, длительность вычислений ограничивается лишь скоростью работы и степенью конвейеризации (АЛУ) в составе. В действительности, с учетом не идеальности процессов вычисления и существующих потерь, учитывая размер кэш памяти, с использованием механизма предподкачки (prefetch) реализованного в «Эльбрусах» [18], механизма АРВ, а также при эффективной реализации умножения матриц блоками, использования схемы unroll and fuse и возможности АЛУ выполнять зацепленные операции умножения и сложения, скорость предподкачки достигает значения, обеспечивающего на ~90% эффективную загруженность АЛУ. Время выполнения T в этом случае можно посчитать как
J, _ (Nc+Nm+Ns)*R*k F*C*A*S '
где Nc -количество совмещенных операций, Nm и Ns - количество отдельных операций умножения и сложения соответственно, R - разрядность чисел, k- коэффициент эффективности, F - тактовая частота процессора, C - количество ядер, A - количество АЛУ включающих Float Point Unit (FPU), S - разрядность FPU. Теоретическое время выполнения представлено также в табл. 3.
Таблица 3
Время выполнения вычислений для сетей VGG16 и VGG19 на МП Эльбрус
VGG16 VGG19
количество совмещенных операций + * 15470264320 19632062464
количество отдельных операций * 13547520 14852096
количество отдельных операций + 0 0
процессор Эльбрус 8С Эльбрус 8СВ Эльбрус 16С Эльбрус 2С3 Эльбрус 8С Эльбрус 8СВ Эльбрус 16С Эльбрус 2С3
теоретическое время расчета прямого прохода сети (мс.) 137,9 59,7 22,4 179,2 174,9 75,8 28,4 227, 4
теоретическое количество кадров в секунду 7,3 16,7 44,6 5,6 5,7 13,2 35,2 4,4
Программная модель системы технического зрения на платформе «Эльбрус». Т.к. большая часть задач технического зрения сводится к задачам обнаружения и классификации, то для исследования были выбраны именно эти задачи -для моделирования задачи обнаружения была разработана программа обнаружения объектов в видеопотоке методом Виолы-Джонса [19], для моделирования задачи классификации была разработана программа, реализующая вычисления нейронной сети с архитектурой Увв16. Также использованы модели других нейросе-тей, написанные с использованием «Платформы-ГНС» разработки ГосНИИАС, использующей оптимизированные для МП Эльбрус реализации некоторых нейронных сетей.
Для проведения эксперимента по решению задачи обнаружения объектов в видеопотоке была реализована программа на языке Си++ с использованием библиотеки ОреиСУ 3.2.0 оптимизированной для МП «Эльбрус-8С». Для проведения эксперимента по решению задачи классификации с помощью нейронной сети была реализована программа на языке программирования Си без внешних зависимостей для выполнения рассчетов соответствующих нейронной сети с архитектурой Увв16. Использовались данные соревнования ImageNet, в том числе предобучен-ные веса сети и база данных изображений. Для работы с реализациями нейронных сетей «Платформа-ГНС» также использовался язык программирования Си совместно с библиотекой разработанной ГосНИИАС. Результаты времени вычислений для реализации нейронной сети Увв16 представлены в табл. 4.
Таблица 4
Время выполнения вычислений на Эльбрус 8С для различных нейронных сетей с использованием «платформы» ГосНИИАС
Архитектура сети AlexNet LeNet ResNet18 ResNet34 ResNet50 VGG19 MobileNetV1
Время выполнения (мс.) 25,1 12,3 40,6 259,2 316,1 266,7 40,6
Кадров в секунду 39,8 81,3 24,6 3,9 3,2 3,7 24,6
Для проведения эксперимента с обнаружением был выбран один видеоряд со следующими разрешениями: 424 x 240, 640 x 360, 854 x 480, 1280 x 720, 1920 x 1080, 2560 x 1440, 3840 x 2160. В качестве входных данных для нейронных сетей были взяты изображения из базы данных ImageNet с разрешением 224х224х3.
В качестве испытательных стендов были выбраны различные процессоры семейства Эльбрус, в том числе 2, 8 и 16 ядерный, а также МП Intel core i7 2600k, серверные МП Intel Xeon 4110 и Xeon e5 2620, выпуска 2016-2017 года, 8 ядерные, 16 поточные и мобильный процессор Intel core i7-8565U производства 2018 года. В качестве спец. ускорителя была использована видеокарта NVidia GeForce GTX 960 совместно с МП Intel core i7 2600k. Результаты с временем выполнения для задачи обнаружения в видеопотоке представлены на рис. 4.
Рис. 4. Количество кадров в секунду при решении задачи обнаружения
Из полученных данных видно, что все протестированные процессоры семейства Эльбрус стабильно превосходят Intel core i7 2600k, в том числе 2х ядерный Эльбрус-2С3. Из результатов видно, что на малых разрешениях использование совместно с процессором ускорителя в виде видеокарты не только не дает выиг-
рыша по времени, но и обеспечивает худшие результаты в отличии от использования только процессора, что связано с особенностью распределенных вычислений с использованием спецускорителей, а именно с длительной и частой пересылкой маленьких для расчёта объемов данных между процессором и ускорителем. Однако, стоит заметить, что в ходе исследования использовалась относительно слабая видеокарта и при использовании современных спецускорителей типа Модуль [20], Элвис [21], Nvidia, разница в результатах будет отличаться. Также в ходе эксперимента установлено, что Эльбрус-ВС превосходит вычислитель на основе intel core i7 2600k совместно с видеокартой gtx 9б0 на разрешениях вплоть до 854х480, а на разрешении 1280х720 Эльбрус-ВС показал результат до 47 кадров в секунду, при этом Эльбрус-2С3 обеспечивает до 1В, а Эльбрус-16С до 57 кадров в секунду в то время как Intel core i7 2б00 - всего около ll кадров, а совместно с видеокартой - 62 кадра в секунду. Эльбрус-16С показал сравнимый с серверными процессорами Intel Xeon результат на больших разрешениях входного видеопотока, а Эльбрус-8С показал отставание от них на около 10-30% при вдвое меньшем количестве потоков.
Выводы. В ходе данного исследования разработаны математические модели вычислений сверточных нейронных сетей с архитектурой VGG^ и VGG19, получено теоретическое обоснование минимального времени выполнения расчетов на процессорах Эльбрус 2С3, ВС, ВСВ и 16С. Разработаны программные модели для решения задачи поиска объектов в видеопотоке с использованием OpenCV и для решения задач классификации с использованием ПО «Платформа-ГНС». Проведены эксперименты по обнаружению объектов в видеопотоке с различным разрешением, а также по классификации изображений с разрешением 224х224х3. Результаты, полученные в ходе экспериментов согласуются с теоретическими результатами, основанными на разработанной математической модели.
В результате проведенных экспериментов показано, что использование микропроцессоров Эльбрус 2С3, ВС, ВСВ и 16С без дополнительных ускорителей обеспечивает достаточную производительность для использования в бортовых вычислителях и системах технического зрения автономных роботов вплоть до разрешения 25б0 х 1440, где обеспечивается частота обработки до 14-15 кадров в секунду.
Были продемонстрированы результаты и потенциал МП «Эльбрус» для решения задач технического зрения, что позволило согласовать требования к вычислителям перспективных автономных роботов.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Есенбаева Г Б. Техническое зрение для мобильных роботов // Передовые инновационные разработки. Перспективы и опыт использования, проблемы внедрения в производство. - 2019. - С. 73-75.
2. Gondimalla A. [et al.]. Sparten: A sparse tensor accelerator for convolutional neural networks // Proceedings of the 52nd Annual IEEE/ACM International Symposium on Microarchitecture.
- 2019. - P. 151-1б5.
3. Deng L. [et al.]. Model compression and hardware acceleration for neural networks: A comprehensive survey // Proceedings of the IEEE. - 2020. - Vol. 108, No. 4. - P. 485-532.
4. Auten A., Tomei M., Kumar R. Hardware acceleration of graph neural networks // 2020 57th ACM/IEEE Design Automation Conference (DAC). - IEEE, 2020. - P. 1-б.
5. Ким А.К. [и др.]. Микропроцессоры и вычислительные комплексы семейства" Эльбрус".
- СПб.: Издательский дом" Питер", 2013.
6. Лимонова Е.Е. [и др.]. Оценка быстродействия системы распознавания па VLIW архитектуре па примере платформы Эльбрус // Программирование. - 2019. - № 1. - С. 15-21.
7. Бочаров Н.А., Зуев А.Г., Славин О.А. Производительность микропроцессора Эльбрус-ВСВ для решения задач технического зрения в условиях ограничений энергопотребления // Известия ЮФУ. Технические пауки. - 2021. - №. 1 (218). - С. 259-271.
8. Бочаров НА. и др. Производительность вычислительной техники с процессором «Эльбрус-8С» на задачах робототехнического комплекса // Наноиндустрия. - 2018. - № 82. - С. 79.
9. Кожин А.С. Основные проектные решения для процессора «Эльбрус-16С» // Наноиндустрия. - 2020. - Т. 13, № S4. - С. 74-75.
10. Бычков И.Н., Лобанов И.Н., Молчанов И.А. Вычислительная техника на основе аппаратно-программной платформы «Эльбрус» для перспективных информационных систем // Приборы. - 2018. - №. 8. - С. 14.
11. Кожин А.С., Нейман-заде М.И., Тихорский В.В. Влияние подсистемы памяти восьми-ядерного микропроцессора «Эльбрус-8С» на его производительность // Вопросы радиоэлектроники. - 2019. - №. 3. - С. 13-21.
12. Визильтер Ю.В. и др. Обработка и анализ изображений в задачах машинного зрения. - 2010.
13. Визильтер Ю.В., Горбацевич В.С., Желтов С.Ю. Структурно-функциональный анализ и синтез глубоких конволюционных нейронных сетей // Компьютерная оптика. - 2019.
- Т. 43, № 5. - С. 886-900.
14. Albawi S., Mohammed T.A., Al-Zawi S. Understanding of a convolutional neural network // 2017 international conference on engineering and technology (ICET). - Ieee, 2017. - P. 1-6.
15. O'Shea K., Nash R. An introduction to convolutional neural networks // arXiv preprint arXiv:1511.08458. - 2015.
16. Krizhevsky A., Sutskever I., Hinton G.E. Imagenet classification with deep convolutional neural networks // Advances in neural information processing systems. - 2012. - Vol. 25.
17. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // arXiv preprint arXiv: 1409.1556. - 2014.
18. Нейман-заде М.И., Королёв С.Д. Руководство по эффективному программированию на платформе" Эльбрус". - М.: АО «МЦСТ, 2020.
19. Viola P. [et al.]. Robust real-time object detection // International journal of computer vision.
- 2001. - Vol. 4, No. 34-47. - P. 4.
20. Бирюков А.А., Таранин М.В., Таранин С.В. Процессор 1879ВМ6Я. Реализация глубоких свёрточных нейронных сетей // DSPA: Вопросы применения цифровой обработки сигналов. - 2018. - Т. 8, №. 4. - С. 191-195.
21. Петричкович Я. и др. RoboDeus-50-ядерная гетерогенная СнК для встраиваемых систем и робототехники // Электроника: Наука, технология, бизнес. - 2020. - № 7. - С. 52-63.
REFERENCES
1. Esenbaeva G.B. Tekhnicheskoe zrenie dlya mobil'nykh robotov [Technical vision for mobile robots], Peredovye innovatsionnye razrabotki. Perspektivy i opyt ispol'zovaniya, problemy vnedreniya v proizvodstvo [Advanced innovative developments. Prospects and experience of use, problems of introduction into production], 2019, pp. 73-75.
2. Gondimalla A. [et al.]. Sparten: A sparse tensor accelerator for convolutional neural networks, Proceedings of the 52nd Annual IEEE/ACM International Symposium on Microarchitecture, 2019, pp. 151-165.
3. Deng L. [et al.]. Model compression and hardware acceleration for neural networks: A comprehensive survey, Proceedings of the IEEE, 2020, Vol. 108, No. 4, pp. 485-532.
4. Auten A., Tomei M., Kumar R. Hardware acceleration of graph neural networks, 2020 57th ACM/IEEE Design Automation Conference (DAC). IEEE, 2020, pp. 1-6.
5. Kim A.K. [i dr.]. Mikroprotsessory i vychislitel'nye kompleksy semeystva" El'brus" [Microprocessors and computing complexes of the Elbrus family]. Saint Petersburg: Izdatel'skiy dom" Piter", 2013.
6. Limonova E.E. [i dr.]. Otsenka bystrodeystviya sistemy raspoznavaniya na VLIW arkhitekture na primere platformy El'brus [Evaluation of the performance of the recognition system on the VLIW architecture on the example of the Elbrus platform], Programmirovanie [Programming], 2019, No. 1, pp. 15-21.
7. Bocharov N.A., Zuev A.G., Slavin O.A. Proizvoditel'nost' mikroprotsessora El'brus-8SV dlya resheniya zadach tekhnicheskogo zreniya v usloviyakh ogranicheniy energopotrebleniya [The performance of the Elbrus-8SV microprocessor for solving problems of technical vision in conditions of limited energy consumption], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2021, No. 1 (218), pp. 259-271.
8. Bocharov N.A. i dr. Proizvoditel'nost' vychislitel'noy tekhniki s protsessorom «El'brus-8S» na zadachakh robototekhnicheskogo kompleksa [The performance of computing equipment with the Elbrus-8C processor on the tasks of the robotic complex], Nanoindustriya [Nanoindustry], 2018, No. 82, pp. 79.
9. Kozhin A.S. Osnovnye proektnye resheniya dlya protsessora «El'brus-16S» [Basic design solutions for the processor "Elbrus-16S"], Nanoindustriya [Nanoindustry], 2020, Vol. 13, No. S4, pp. 74-75.
10. Bychkov I.N., Lobanov I.N., Molchanov I.A. Vychislitel'naya tekhnika na osnove apparatno-programmnoy platformy «El'brus» dlya perspektivnykh informatsionnykh sistem [C omputer technology based on the hardware and software platform "Elbrus" for advanced information systems], Pribory [Devices], 2018, No. 8, pp. 14.
11. Kozhin A.S., Neyman-zade M.I., Tikhorskiy V.V.Vliyanie podsistemy pamyati vos'miyadernogo mikroprotsessora «El'brus-8S» na ego proizvoditel'nost' [The influence of the memory subsystem of the eight-core microprocessor "Elbrus-8S" on its performance], Voprosy radioelektroniki [Questions of radio electronics], 2019, No. 3, pp. 13-21.
12. Vizil'ter Yu.V. i dr. Obrabotka i analiz izobrazheniy v zadachakh mashinnogo zreniya [Image processing and analysis in machine vision tasks], 2010.
13. Vizil'ter Yu.V., Gorbatsevich V.S., Zheltov S.Yu. Strukturno-funktsional'nyy analiz i sintez glubokikh konvolyutsionnykh neyronnykh setey [Structural and functional analysis and synthesis of deep convolution neural networks], Komp'yuternaya optika [Computer optics], 2019, Vol. 43, No. 5, pp. 886-900.
14. Albawi S., Mohammed T.A., Al-Zawi S. Understanding of a convolutional neural network, 2017 international conference on engineering and technology (ICET). Ieee, 2017, pp. 1-6.
15. O'Shea K., Nash R. An introduction to convolutional neural networks, arXiv preprint arXiv:1511.08458, 2015.
16. Krizhevsky A., Sutskever I., Hinton G.E. Imagenet classification with deep convolutional neural networks, Advances in neural information processing systems, 2012, Vol. 25.
17. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition, arXiv preprint arXiv: 1409.1556, 2014.
18. Neyman-zade M.I., Korolev S.D. Rukovodstvo po effektivnomu programmirovaniyu na platforme" El'brus" [Guide to effective programming on the Elbrus platform]. Moscow: AO «MTSST, 2020.
19. Viola P. [et al.]. Robust real-time object detection, International journal of computer vision, 2001, Vol. 4, No. 34-47, pp. 4.
20. Biryukov A.A., Taranin M.V., Taranin S.V. Protsessor 1879VM6YA. Realizatsiya glubokikh svertochnykh neyronnykh setey [Processor 1879VM6YA. Implementation of deep convolutional neural networks], DSPA: Voprosyprimeneniya tsifrovoy obrabotki signalov [DSPA: Issues of application of digital signal processing], 2018, Vol. 8, No. 4, pp. 191-195.
21. Petrichkovich Ya. i dr. RoboDeus-50-yadernaya geterogennaya SnK dlya vstraivaemykh sistem i robototekhniki [RoboDeus-50-nuclear heterogeneous SnC for embedded systems and robotics], Elektronika: Nauka, tekhnologiya, biznes [Electronics: Science, Technology, Business], 2020, No. 7, pp. 52-63.
Статью рекомендовал к опубликованию д.т.н., профессор Н.Б. Парамонов.
Суминов Константин Александрович - ПАО «ИНЭУМ им. И.С. Брука»; г. Москва, Россия; e-mail: suminov.ka@phystech.edu; тел.: +79263563020; инженер-программист.
Бочаров Никита Алексеевич - e-mail: bocharov.na@phystech.edu; тел.: +79167346437;
к.т.н.; начальник отдела.
Suminov Konstantin Alexandrovich - PJSC «Brook INEUM»; e-mail: suminov.ka@phystech.edu;
Moscow, Russia; phone: +79263563020; software engineer.
Bocharov Nikita Alexeevich - e-mail: bocharov.na@phystech.edu; phone: +79167346437; cand.
of eng. sc.; chief of department.
