[发明专利]一种基于ROI的池化运算方法和电路

说明书

本发明提供了一种基于ROI的池化运算方法和电路，所述方法包括以下步骤：除法运算单元根据源图像尺寸和目标图像尺寸的大小关系，进行除法运算，得到商值和余数值，并将商值存储至商值缓存单元，将余数值存储至余数值缓存单元池化窗划分单元根据商值和余数值确定源图像的划分模式，以及根据确定的划分模式将源图像划分为若干池化窗，并依次获取各池化窗对应的图像数据；池化单元对各池化窗的图像数据进行池化操作，得到目标图像。本发明的池化运算电路逻辑清晰，易于控制，可以高效实现ROI池化运算操作。

技术领域

本发明涉及芯片电路设计领域，特别涉及一种池化运算方法和电路。

背景技术

随着人工智能深度学习神经网络的快速发展,人们对人工智能应用的需求越来越强烈。由于深度学习神经网络自身的特性对硬件资源的要求较高,在运行时将产生巨大的功耗，导致电子设备续航能力差、功耗大等问题。而池化技术是神经网络运算过程中最重要的计算之一,目前的神经网络加速电路往往将池化运算交给CPU或者GPU等通用计算单元进行,由于其计算量巨大且控制复杂,造成池化运算往往成为整体神经网络运算的瓶颈。

ROI(region of interest)算法又是监测网络中最重要的组成部分,而现有技术中并没有一个很高效的ROI的加速电路,在执行该算法时通常要占用大量的存储单元和运算单元，且不容易控制。

发明内容

为此，需要提供一种基于池化运算的技术方案，用以解决池化运算计算量大、控制复杂，导致在运行过程中功耗大的问题。

为实现上述目的，发明人提供了一种基于ROI的池化运算电路，所述电路包括除法运算单元、余数值缓存单元、商值缓存单元、池化窗划分单元、池化单元；

所述除法运算单元分别与余数值缓存单元、商值缓存单元连接；所述池化窗划分单元分别与余数值缓存单元、商值缓存单元连接，所述池化窗划分单元还与池化单元连接；

所述除法运算单元用于根据源图像尺寸和目标图像尺寸的大小关系，进行除法运算，得到商值和余数值，并将商值存储至商值缓存单元，将余数值存储至余数值缓存单元；所述图像源尺寸的大小大于目标尺寸的大小；

所述池化窗划分单元用于根据商值和余数值确定源图像的划分模式，以及根据确定的划分模式将源图像划分为若干池化窗，并依次获取各池化窗对应的图像数据；

所述池化单元用于对各池化窗的图像数据进行池化操作，得到目标图像。

进一步地，所述商值缓存单元包括第一商值缓存单元和第二商值缓存单元，所述余数值缓存单元包括第一余数值缓存单元和第二余数值缓存单元；

“除法运算单元用于根据源图像尺寸和目标图像尺寸的大小关系，进行除法运算，得到商值和余数值，并将商值存储至商值缓存单元，将余数值存储至余数值缓存单元”包括：

除法运算单元用于根据源图像和目标图像行数的大小关系，进行除法运算，得到第一商值和第一余数值，并将所述第一商值存储于第一商值缓存单元，将第二商值存储于第二商值缓存单元；以及根据源图像和目标图像列数的大小关系，进行除法运算，得到第二商值和第二余数值，将第二商值存储于第二商值缓存单元，将第二余数值存储于第二余数值缓存单元中；

“池化窗划分单元用于根据商值和余数值确定源图像的划分模式，以及根据确定的划分模式将源图像划分为若干池化窗”包括：

池化窗划分单元用于根据第一商值和第一余数值确定源图像的行划分模式，根据第二商值和第二余数值确定源图像的列划分模式，并根据行划分模式和列划分模式将源图像划分为MxN个池化窗，M的数值为所述行划分模式划分出的行数，N的数值为所述列划分模式划分出的列数。

进一步地，“池化窗划分单元用于根据第一商值和第一余数值确定源图像的行划分模式”包括：