[发明专利]一种基于卷积自动编码算法的图像压缩硬件加速器装置

说明书

本发明公开了一种基于卷积自动编码算法的图像压缩硬件加速器装置。本装置主要由控制单元，逻辑计算加速单元和存储单元三大部分组成。控制单元主要包含对逻辑计算加速单元的控制和对存储单元的控制；逻辑计算加速单元包含复用处理器、周期并行卷积计算单元和计算单元组成的卷积计算阵列；存储单元包括像素存储器、权值存储器、结果存储器和片外动态存储器。本装置对于图像压缩的加速主要为：针对图像特点做出的卷积拆分；增加计算并行度；周期性的卷积控制。由于本装置的周期性卷积拆分和高并行度的工作特点，可以非常有效地利用卷积自动编码算法，针对图像进行压缩处理加速，避免过多的硬件资源消耗，具有一定创新性。

技术领域

本发明涉及计算机及电子信息技术领域，特别是涉及一种基于卷积自动编码算法的图像压缩硬件加速器装置。

背景技术

图像作为人类感知世界的视觉基础，其压缩技术一直是数字信号处理的重要问题。图像压缩的目的是在保证准确性的前提下，通过对图像的压缩来减少表示数字图像需要的数据量。图像压缩的本质是在像素层面上以更少的编码比特率实现更高质量的图片重建任务。图像压缩按照压缩方式可分为有损压缩和无损压缩两大类技术。无损图像压缩技术因为在解压之后能够保证图像的完整性，故在对图像精度要求高的领域有着广泛的使用。有损图像压缩技术在保证图像重要信息完整性的前提下通过舍弃不必要信息实现图像压缩目标。有损压缩相对于无损压缩具有更高的压缩比例，而在一般对精度要求不高领域显然无损压缩更受欢迎，在日常生活中的使用也更加广泛。传统的有损图像压缩存在着如下缺点：1)压缩比例较低，无法满足部分严苛场景下的图像压缩需求以及传输、储存等应用目的；2)压缩方式单一，通常是依靠变换、量化和熵编码方法，无法将图像内容作为影响因素离列入压缩任务中，导致解压后图像重建质量无法达到最大程度的提高。

近年来，深度学习方法在图像处理领域大放异彩。在图像压缩方面，利用深度学习网络替代传统的变换、量化和熵编码过程，可以构建出端到端的压缩方案。自动编码算法作为处理高维数据的非监督深度学习算法，应用到图像压缩领域时能够将图片内容作为压缩过程中的影响因素，实现更高的压缩比和更好的解压重建效果。由于受到计算复杂度的影响，现阶段应用于图像压缩方法中的自动编码算法，特别是结合了卷积神经网络的自动编码算法，在推广和应用上面临着算力约束和资源约束等一系列挑战。

鉴于自编码算法应用于图像压缩的优点和缺点，本发明创作者通过研究解决算法的硬件实现中的资源耗用过多的问题，设计出了本发明的加速器装置。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于卷积自动编码算法的图像压缩硬件加速器装置。本发明针对图像压缩特别是高分辨图像压缩的卷积自动编码算法的硬件实现，提出了一种并行化处理和卷积拆分的周期性加速方案，将传统的依赖移位寄存器构建卷积窗口的方案转换为周期性执行的拆分卷积子窗口方案，能够降低内存资源的占用，同时迎合图片按行读取的数据特性。本发明的特点是并行度高、资源占用低，特别是相比采用移位寄存器卷积窗口方案能够最大程度地降低资源占用。同时由于摒弃了移位寄存器方案，在降低处理延时方面具有了一定的优势，并且针对不同的自动编码算法具有较好的通用性和可实施性。

本发明所采用的技术方案是：

1.独立的控制单元，主要包含存储单元控制模块和逻辑计算加速单元的控制模块；

2.逻辑计算加速单元，主要包含复用处理器、周期并行卷积计算单元和计算加速单元组成的卷积计算阵列。复用处理器，用以执行对输入像素神经元的接受和最终结果的打包输出，完成卷积结果的激活函数和池化操作等。周期性并行卷积单元和计算单元组成的卷积计算整列通过增加并行度和周期性的卷积拆分计算策略完成卷积操作和加法树操作等；