This paper proposes a large-scale point cloud deep neural network accelerator. It presents a novel concept of virtual pillars and proposes a skipping method based on the region of interest. Additionally, it maximizes slice-level sparsity by adopting the sign-magnitude representation method instead of the conventional two's complement representation. This work achieves a speedup of 5.3 times on feature encoding and shows 35.4 TOPS/W power efficiency on backbone.
본 논문에서는 대규모 점구름 신경망 모델 인공지능 가속기 구조를 제안한다. 논문에서 제안한 가속기는 소비 전력 대비 최첨단 성능을 보여주고 있다. 본 가속기는 효율적인 특징 인코딩을 위해 새롭게 가상 필러 개념을 제안하였으며, 동시에 관심 영영을 기반으로하는 스킵핑 방법을 제안하였다. 또한, 기존 2진 보수 표현 방법을 대신하여 부호-크기 표현 방법을 채택하여 슬라이스-레벨의 희소성을 극대화하였다. 위와 같은 방법이 적용된 가속기는 특징 인코딩에서 5.3배 스피드업과 백본 레이어에서 35.4 TOPS/W의 성능을 보여주었다.
