Accélération matérielle de convolutions éparses appliquées à la détection 3D

Ce mémoire se concentre sur l’optimisation et l’accélération matérielle des convolutions 3D sur des données éparses. La validation de l’algorithme est réalisée sur le composant de convolution de l’architecture Voxel-RCNN, utilisée pour la détection d’objets en 3D, afin de faciliter son déploiement. L’objectif principal est d’améliorer les performances et l’efficacité de l’implémentation de ce composant en explorant diverses techniques d’optimisation et d’accélération matérielle. Les techniques expérimentales déployées dans cette étude incluent la quantification, la binarisation, et le recours à un module FPGA spécialisé. Ces méthodes ont été appliquées spécifiquement sur le composant de convolution de l’architecture Voxel-RCNN. Des méthodes d’optimisation préliminaires, à savoir la quantification et la binarisation, sont mises en avant. Ces approches ont permis de réaliser des améliorations substantielles. Ce projet aborde également la modélisation logicielle de l’implémentation matérielle, en sous divisant l’espace en cuves auxquelles les voxels sont répartis. Ce processus est analysé, soulignant l’efficacité de la modélisation logicielle. Cette recherche aborde la question de l’accélération matérielle, en exposant en détail l’architecture du module VHDL développé, la gestion des entrées et sorties, ainsi que la mise en place de la machine à état pour le calcul de convolution. Elle se focalise également sur l’utilisation des ressources matérielles par les modules et leurs temps de traitement respectifs. Un point d’attention particulier a été porté sur l’impact de la parallélisation sur le calcul de la convolution, en explorant diverses configurations de modules parallèles. Cet aspect a révélé le potentiel de l’approche parallèle, ainsi que les défis liés à la gestion des accès au bus. En considérant les contraintes matérielles de la carte utilisée, il a été possible d’instancier jusqu’à 35 modules dans le design proposé testé sur le dataset KITTI. L’efficacité de la parallélisation a été confirmée par une diminution significative du temps de calcul à mesure que le nombre de modules de convolution augmentait. Cependant, malgré ces avancées, la compétitivité de cette approche reste limitée par rapport aux solutions optimisées existantes utilisant des GPU.