面向图像分割神经网络的存内计算ADC分层配置方法
本发明属于图像分割网络领域,特别是涉及一种面向图像分割神经网络的存内计算adc分层配置方法。
背景技术:
1、u-net类医学图像分割网络在编码器、瓶颈层、解码器、跳跃连接和输出头等不同阶段具有不同的功能分工。编码器侧主要提取语义特征,解码器侧和skip-fusion侧主要恢复空间定位、边界和小病灶细节。其中,存内计算需要通过在存储阵列内执行乘加运算降低数据搬移开销。但在analog cim或mixed-signal cim中,乘加后的模拟输出需要adc转换为数字值。adc经常成为能耗和面积的重要组成部分。若所有阶段均采用高位宽adc,可能造成不必要的能耗和延迟;若所有阶段均采用低位宽adc,则可能导致精度下降。
2、现有量化方案多关注权重量化、激活量化或layer-wise precision,不一定利用u-net解码器“先粗后细”的因果执行顺序。已有saliency-aware或distribution-adaptive动态精度方法通常依赖一般重要性信号或激活分布,未专门面向医学分割中的边界、小病灶可靠性,也未明确约束“风险图必须在后续fine decoder读出前由已完成coarsedecoder输出得到”,导致处于全部区域配置高位宽而造成大量不必要的能耗与面积开销和为全部区域配置低位宽而引发边界模糊和小病灶漏检等分割质量退化问题的两个极端,最终造成存内计算硬件在推理精度与能效之间难以实现有效平衡。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够平衡存内计算硬件的推理精度和能效的面向图像分割神经网络的存内计算adc分层配置方法。
2、第一方面,本申请提供了一种面向图像分割神经网络的存内计算adc分层配置方法,包括:
3、s1,获取配置训练集、配置验证集和已训练完成的图像分割神经网络模型;其中,图像分割神经网络模型包括解码器模块,解码器模块包含预设数量个依次连接的解码层;
4、s2,基于图像分割神经网络模型对配置训练集进行分析,得到各解码层的模数转换裁剪范围参数;
5、s3,基于模数转换裁剪范围参数、配置验证集和候选位宽参数,按照解码器模块中解码层的连接顺序,对每一个解码层进行单层模数转换位宽扰动评估,得到各解码层在各候选位宽参数下的敏感性分布数据;
6、s4,基于敏感性分布数据和预设的整体位宽参数映射规则集,为各解码层分配模数转换器位宽,得到各解码层的分层模数转换器位宽配置方案。
7、第二方面,本申请还提供了一种面向图像分割神经网络的存内计算adc分层配置系统,包括:
8、数据获取模块,用于获取配置训练集、配置验证集和已训练完成的图像分割神经网络模型;其中,图像分割神经网络模型包括解码器模块,解码器模块包含预设数量个依次连接的解码层;
9、基础参数计算模块,用于基于图像分割神经网络模型对配置训练集进行分析,得到各解码层的模数转换裁剪范围参数;
10、层级敏感量化模块,用于基于模数转换裁剪范围参数、配置验证集和候选位宽参数,按照解码器模块中解码层的连接顺序,对每一个解码层进行单层模数转换位宽扰动评估,得到各解码层在各候选位宽参数下的敏感性分布数据;
11、层级配置方案构建模块,用于基于敏感性分布数据和预设的整体位宽参数映射规则集,为各解码层分配模数转换器位宽,得到各解码层的分层模数转换器位宽配置方案。
12、第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现本申请第一方面的所述任一面向图像分割神经网络的存内计算adc分层配置方法。
13、第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请第一方面的所述任一面向图像分割神经网络的存内计算adc分层配置方法。
14、上述面向图像分割神经网络的存内计算adc分层配置方法,通过获取配置训练集、配置验证集和已训练完成的图像分割神经网络模型,并基于配置训练集对各解码层进行激活值分布统计分析以生成各解码层的模数转换裁剪范围参数,然后以该裁剪范围参数为基础在配置验证集上逐层执行单层模数转换位宽扰动评估以获得各解码层在各候选位宽下的敏感性分布数据,最后基于敏感性分布数据和预设的整体位宽参数映射规则集为每个解码层分配对应的模数转换器位宽,生成分层模数转换器位宽配置方案。系统性地量化每个解码层在不同adc位宽下的独立贡献,实现对解码器模块各层级的差异化精度配置,相比对所有阶段统一配置高位宽或低位宽的方式,能够在保证关键解码层(尤其是高分辨率细尺度解码层)分割精度的同时,允许对敏感度较低的解码层使用较低位宽以减少不必要的adc能耗与转换延迟,从而有效平衡存内计算硬件在医学图像分割任务中的推理精度与能效。
1.一种面向图像分割神经网络的存内计算adc分层配置方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述配置训练集包括预设训练集数量个样本图像数据和所述样本图像数据对应的真实分割掩码数据,所述配置验证集包括预设验证集数量个所述样本图像数据和所述样本图像数据对应的真实分割掩码数据,所述预设训练集数量和所述预设验证集数量满足预设的划分比例,所述s2包括:
3.根据权利要求2所述的方法,其特征在于,所述s3包括:
4.根据权利要求3所述的方法,其特征在于,所述分割质量指标值集包括相似度系数和边界准确性系数,所述s31包括:
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
7.一种面向图像分割神经网络的存内计算adc分层配置系统,其特征在于,所述系统包括:
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com