基于云进化算法的3D NoC测试端口优化选择

合集下载

基于动态优先级的3D NoC偏转路由容错方法

第２６卷第３期
２０１４年３月
计算机辅助设计与图形学学报
ＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒ — ＡｉｄｅｄＤｅｓｉｇｎ＆ＣｏｍｐｕｔｅｒＧｒａｐｈｉｃｓ
Ｖｏ１．２６ＮＯ．３
Ａｂｓｔｒａｃｔ：Ｉｎｔｈｒｅｅ－ｄｉｍｅｎｓｉｏｎａｌＮｅｔｗｏｒｋ— ｏｎ — Ｃｈｉｐ，ｔｈｅｆａｕｌｔｓｏｃｃｕｒｒｉｎｇｉｎｔｈｅｈｏｒｉｚｏｎｔａｌａｎｄｖｅｒｔｉｃａｌｌｉｎｋｓｗｉｌｌｄｅｃｒｅａｓｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｅｎｔｉｒｅｎｅｔｗｏｒｋｓｅｒｉｏｕｓｌｙＷｅｐｒｏｐｏｓｅａｎｏｖｅｌｌｏｗｏｖｅｒｈｅａｄ
．
ａｎｄｈｉｇｈｅｆｆｉｃｉｅｎｔｆａｕｌｔ — ｔｏｌｅｒａｎｔｍｅｔｈｏｄ－ａｐｒｉｏｒｉｔｙｂａｓｅｄｄｅｆｌｅｃｔｉｏｎｒｏｕｔｉｎｇｍｅｔｈｏｄＴｈｅｎｅｗｍｅｔｈｏｄ
（ｏｙｘｙ］９８８＠１６３．ｃｏｎ）ｒ
摘
要：若３ＤＮｏＣ中水平和垂直方向出现不可恢复的链路故障，将严重影响整个网络的性能．为此提出一种新型

基于云进化算法的3D NoC测试规划

基于云进化算法的3D NoC测试规划许川佩;尹芝【摘要】针对三维片上网络(Three Dimensional Network-on-Chip,3D NoC) IP 核的测试问题,采用云进化算法优化测试规划,完成3D NoC测试;该方法首先通过平分搜索范围的方式形成第一代种群,依据3D NoC结构特点建立功耗模型,在满足功耗约束的情况下进行测试,采用种群精英个体保留策略选择优秀个体,并利用云模型的随机性和稳定性特点进行迭代寻优,旨在降低总的测试时间,获得最佳测试规划;以ITC'02测试标准电路作为实验对象,实验结果表明,在获得相同测试时间下,云进化算法比遗传算法具有更好的寻优能力,收敛代数提高了约50％,有效提高了测试效率.【期刊名称】《计算机测量与控制》【年(卷),期】2014(022)010【总页数】4页(P3114-3116,3121)【关键词】三维片上网络;并行测试;功耗约束;云进化算法【作者】许川佩;尹芝【作者单位】桂林电子科技大学电子工程与自动化学院,广西桂林541004;桂林电子科技大学电子工程与自动化学院,广西桂林541004【正文语种】中文【中图分类】TP3060 引言随着半导体集成工艺的发展，单个芯片上集成的IP 核数目急剧增加，片上网络（Network－on－Chip，NoC）受到了平面结构的种种限制，为了更好地利用NoC 的优点，一些学者提出3D NoC的概念。

3D NoC 不仅具有互连线短，集成度高，功耗低，电路抗噪声能力强［1－2］等特点，而且在可扩展性和数据传输的位宽等方面也有很大的优势［3］。

目前对于NoC测试规划的相关研究主要集中在2D NoC，对测试中约束条件考虑过少，且测试调度算法有待优化。

针对以上问题，本文提出了基于云进化算法的3D NoC 测试规划，云进化算法［4］是云模型［5－6］和进化算法的有效结合，能够自适应控制子代的聚集程度和搜索空间的范围，充分发挥云模型云滴的随机性和稳定倾向性特点，以达到快速收敛和避免算法陷入局部最优值的目的。

基于云计算平台的智能三维模型重构研究

基于云计算平台的智能三维模型重构研究一、引言随着云计算技术的发展，越来越多的应用场景被应用到了云计算平台上。

一项热门的应用就是三维模型重构。

传统的三维重构技术需要大量的计算资源和时间，而在云计算平台上，这些问题可以得以解决。

本文将探讨基于云计算平台的智能三维模型重构研究。

二、技术概述1. 三维模型重构的意义三维模型重构是将实际物体或场景的数据通过某种方式转换为数字形式，并还原出原物体或场景的过程。

这项技术可以被广泛应用于游戏、虚拟现实、建筑等领域。

传统的三维重构技术需要依靠人工进行建模，因此非常耗时费力。

而基于云计算平台的智能三维模型重构则可以大大减少人工成本和时间成本。

2. 基于云计算平台的三维模型重构技术的优势（1）高效性基于云计算平台的三维模型重构技术可以同时利用多台云服务器进行处理，从而大大提高数据处理速度和效率。

（2）可扩展性云计算平台可以根据需要增加或减少处理资源，从而满足不同规模的处理需求。

（3）灵活性云计算平台可以提供不同类型的处理器和存储设备，从而适应不同的三维模型重构需求。

3. 基于云计算平台的三维模型重构技术的要求（1）高速、高质量的数据传输由于处理需要大量的数据，因此要求云计算平台有高速、高质量的数据传输设备。

（2）高可用性在处理大规模的三维数据时，如果某个服务器发生故障将影响整个处理流程，因此要求云计算平台有高可用性。

（3）强大的计算能力和存储能力三维模型重构需要大量的计算资源和存储空间，因此要求云计算平台有强大的计算能力和存储能力。

三、基于云计算平台的智能三维模型重构技术的实现方式基于云计算平台的智能三维模型重构技术的实现方式主要包括以下几个方面：1. 数据采集和传输首先需要采集需要重构的物体或场景的数据，并将其传输到云计算平台上进行处理。

传统的数据采集方法包括测量、光学扫描等，而现在可以利用激光雷达等智能设备进行无接触式数据采集，从而大大提高采集效率和数据质量。

2. 数据预处理和处理接下来，需要对采集到的数据进行预处理和处理。

基于云进化算法的NoC测试规划

随着片上系统（Ｓｙｓｔｅｍ —ｏｎ—Ｃｈｉｐ，ＳｏＣ）集成度越
来越高，如何保证ＩＰ核之间快速高效的通信已经成为阻碍ＳｏＣ发展的新瓶颈 … 。于是一种以通信为核心的
复杂ＳｏＣ的ＩＰ核的集成方法，即片上网络（Ｎｅｔｗｏｒｋ— ｏｎ—Ｃｈｉｐ，ＮｏＣ）被提出。ＮｏＣ采用基于包交换的方法和分层传输方法来替代原先的传统总线Ｊ，从体系结构上有效解决了多核通信问题。在ＮｏＣ测试过程中，往往用多条ＴＡＭ（ＴｅｓｔＡｃｃｅｓｓＭｅｃｈａｎｉｓｍ，测试访问机制）进行并行测试。但为了防
口’ １＊２Ｕ１３年弟ｚｏ罨弟期
ＥｌｅｃｔｒｏｎｉｃＳｃｉ．＆Ｔｅｃｈ．／Ｓｅｐ．１５．２０１３
基于云进化算法的ＮｏＣ测试规划
侯绪彬
（桂林电子科技大学电子工程与自动化学院，广西桂林摘要５４１００４）针对ＮｏＣ测试时，如何在功耗限制下利用有限的片上资源最大化并行测试，以优化ＮｏＣ测试时间的问
ｎｅｔｗｏｒｋａｓＴＡＭ（ｔｅｓｔａｃｃｅｓｓｍｅｃｈａｎｉｓｍ），ｕｓｉｎｇｎｏｎ－ｐｒｅｅｍｐｔｉｖｅｔｅｓｔａｎｄＸＹｒｏｕｔｉｎｇｍｏｄｅａｎｄｏｐｔｉｍｉｚｉｎｇｔｈｅｌａｌｏ－

3D NoC中柔性可配置的高可靠路由器设计

ａｎｃｅｏｆｔｈｅｅｎｔｉｒｅｎｅｔｗｏｒｋｉｎ３Ｄｎｅｔｗｏｒｋｏｎ — ｃｈｉｐ．Ａｉｍｉｎｇａｔｔｈｅｆａｕｌｔｓａｎｄｃｏｎｇｅｓｔｉｏｎｉｎｉｎｐｕｔｂｕｆｆｅｒ，ｔｈｉｓｐａｐｅｒ
ｐｒｏｐｏｓｅｓａｌｆｅｘｉｂｌｅａｎｄｃｏｎｆｉｇｕｒａｂｌｅｈｉｇｈ — ｒｅｌｉａｂｉｌｉｔｙｒｏｕｔｅｒａｒｃｈｉｔｅｃｔｕｒｅ，ｅａｃｈｉｎｐｕｔｃｈａｎｎｅｌｉｓｃｏｎｎｅｃｔｅｄｔｏｔｗｏａｄｊａ —
据具体的故障和拥塞情况，选择合适的输入缓存路径，实现部分缓存的共享。不仅能达到路由器故障的容错目的，还能在
网络重负载的情况下有效的解决网络拥塞问题。实验结果表明，方案相较于传统路由器方案，在一般传输模式和０．５ｌｆｉｔｓ／ｎｏｄｅ／ｃｙｃｌｅ的注入率下，无故障时平均时延下降了８１．８９％，２个数据分配器故障时平均时延下降了８７．３８％。在网络ｍ现故障和拥塞时，方案具有明显的优势，很好的保证了整个网络的高可靠性以及低时延。关键词：维片上网络；可靠性；故障；拥塞；容错
ＯｕｙａｎｇＹｉｍｉｎｇＨｅＭｉｎＬｉａｎｇＨｕａｇｕｏＬｉｕＪｕｎＧａｏＹａｎｙａｎ

一种基于3Dmesh的NOC路由算法设计与分析

一
系列问题：扩展性差、可总线通讯效率低、一单
时钟同步等。ＮＣ具有良好的空间扩展性。供ｏ提
由于片上网络不同于传统意义上的计算机
网络，其拓扑结构在设计时要求应具有对称、简
了高效的并行通讯能力，以分组交换作为通讯技
在多个层次，每个层称为一个平面（ｌｎ）利用ｐａｅ，
在２Ｍｅｈ２Ｔｈｓ构（图１中，Ｄｓ／Ｄｏｉ结如）节点相
互连接成一个Ｍ行Ｎ列的阵列．或是Ｍ行Ｎ列
三维坐标Ｘ、Ｚ来定位每个节点。通过将节点Ｙ、
２１年第１００２卷第６期
总第１５期０
巢湖学院学报
ＪｕｎｌｆｈｏｕＣｌｇｏｒａＣａｈｏｌｅｏｅ
Ｎｏ６Ｖｏ．２２０ … １．０１１Ｇｎｒｌｅｉｌ．０ｅｅａｒ１５ＳａＮｏ
术，用全局异步一局部同步的通讯机制，到采受
随着半导体技术的发展。未来集成系统将包含亿万个晶体管，由数百个Ｉ组成。这些ＩＰ核Ｐ核。面对涌现出的各种功能复杂的多媒体和网络
应用，应该能提供丰富的多媒体服务和网络服
收稿１：０００ — １３期２１ — ８１
基金项目：徽省自然科学研究项目（目编号：Ｊ００２３安项Ｋ２１Ｂ２）

一种基于3Dmesh的NOC路由算法设计与分析

1引言随着半导体技术的发展，未来集成系统将包含亿万个晶体管，由数百个IP 核组成。

这些IP 核，面对涌现出的各种功能复杂的多媒体和网络应用，应该能提供丰富的多媒体服务和网络服务。

这些IP 核的有效合作(例如，高效的数据传输），可以通过在芯片级上改变通信策略来达到。

能容纳这么多IP 核，且能满足对通信和数据传输的需要的结构，即是片上网络（Network-on-Chip ，NoC ）结构。

NoC 技术的核心思想是计算机网络技术移植到集成电路芯片中来，从体系结构上解决片上系统（System-on-a-Chip ，SoC ）总线式结构带来的一系列问题：可扩展性差、总线通讯效率低、单一时钟同步等。

NoC 具有良好的空间扩展性，提供了高效的并行通讯能力，以分组交换作为通讯技术，采用全局异步—局部同步的通讯机制，受到业界的广泛关注。

从网络的角度来看，片上网络研究的重点在于拓扑结构、协议设计、流量控制、服务质量等。

本文基于3Dmesh 这种拓扑结构，介绍和分析其上的路由技术，与研究人员共同探讨。

2NoC 中的拓扑结构拓扑结构是NoC 中各路由节点间、路由节点和处理节点间通信的物理连接，它确定了路由节点和路由节点，以及处理节点和路由节点之间的数据通路，制约着整个信息传输的速度、容错能力。

同时也决定着路由算法的设计以及整个系统的工作效率，从而对整个系统的性能，起着重要的影响。

由于片上网络不同于传统意义上的计算机网络，其拓扑结构在设计时要求应具有对称、简一种基于3Dmesh 的NOC 路由算法设计与分析苏新1,2陈永平2（1合肥工业大学，安徽合肥230009）（2马鞍山职业技术学院，安徽马鞍山243031）摘要：随着半导体技术的高速发展，集成度越来越高，片上系统由于其总线式结构，存在的许多问题，使其无法满足功能复杂的应用需求，于是，片上网络越来越受人们的关注。

文中在介绍了片上网络的拓扑结构和路由算法的基础之上，重点研究了基于3Dmesh 结构上的片上网络路由技术，并提出了一种适用于小规模的、3Dmesh 结构上的路由算法，并对算法的相关特性作了简单的分析。

基于改进PV-RCNN++算法的三维点云聚焦式特征研究

第１３卷㊀第１２期Ｖｏｌ．１３Ｎｏ．１２㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年１２月㊀Ｄｅｃ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）１２－００１９－０４中图分类号：ＴＰ３９１．４文献标志码：Ａ基于改进ＰＶ－ＲＣＮＮ＋＋算法的三维点云聚焦式特征研究段界余，宁㊀媛，黎玉成（贵州大学电气工程学院，贵阳５５００２５）摘㊀要：为增强ＲｏＩ网格局部特征的表征能力㊁加强细节特征的表达效果，以进一步提高点云语义分割精度，针对ＰＶ－ＲＣＮＮ＋＋网络采用的ＲｏＩ网格池化模块进行了研究㊂在ＰＶ－ＲＣＮＮ＋＋网络中，ＲｏＩ网格池化模块只是将网格点周围的体素特征进行简单的空间位置排序，导致局部特征表达效果欠佳㊂为加强ＲｏＩ网格池化模块对局部特征的表征能力，引入ＣＢＡＭ注意力机制，从通道和空间两个作用域出发，一方面处理特征集通道的分配关系，另一方面可使神经网络更加关注特征集中对分类起决定性作用的体素区域，以强化重要信息在网络的有效传递并提高点云语义分割结果的鲁棒性㊂对自动驾驶领域公开数据集Ｋｉｔｔｉ的语义分割实验表明，所提出的改进ＰＶ－ＲＣＮＮ＋＋的聚焦式特征的算法训练出的模型，较基准模型提升效果显著，有效增强了ＲｏＩ网格池化模块对局部特征的表征能力，强化了细节特征的表达效果，提高了点云语义分割精度㊂关键词：激光雷达；深度学习；卷积神经网络；ＰＶ－ＲＣＮＮ＋＋；ＣＢＡＭ注意力机制Ｒｅｓｅａｒｃｈｏｎ３ＤｐｏｉｎｔｃｌｏｕｄｆｏｃｕｓｉｎｇｆｅａｔｕｒｅｓｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＰＶ－ＲＣＮＮ＋＋ａｌｇｏｒｉｔｈｍＤＵＡＮＪｉｅｙｕ，ＮＩＮＧＹｕａｎ，ＬＩＹｕｃｈｅｎｇ（ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｇｕｉｙａｎｇ５５００２５，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＩｎｏｒｄｅｒｔｏｅｎｈａｎｃｅｔｈｅｒｅｐｒｅｓｅｎｔａｔｉｏｎａｂｉｌｉｔｙｏｆｌｏｃａｌｆｅａｔｕｒｅｓｏｆＲｏＩｇｒｉｄ，ｅｎｈａｎｃｅｔｈｅｅｘｐｒｅｓｓｉｏｎｅｆｆｅｃｔｏｆｄｅｔａｉｌｅｄｆｅａｔｕｒｅｓ，ａｎｄｆｕｒｔｈｅｒｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｃｌｏｕｄｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎ，ｔｈｅＲｏＩｇｒｉｄｐｏｏｌｉｎｇｍｏｄｕｌｅｕｓｅｄｉｎＰＶ－ＲＣＮＮ＋＋ｎｅｔｗｏｒｋｗａｓｓｔｕｄｉｅｄ．ＩｎＰＶ－ＲＣＮＮ＋＋ｎｅｔｗｏｒｋ，ＲｏＩｇｒｉｄｐｏｏｌｉｎｇｍｏｄｕｌｅｏｎｌｙｐｅｒｆｏｒｍｓｓｉｍｐｌｅｓｐａｔｉａｌｐｏｓｉｔｉｏｎｏｒｄｅｒｉｎｇｏｆｖｏｘｅｌｆｅａｔｕｒｅｓａｒｏｕｎｄｇｒｉｄｐｏｉｎｔｓ，ｒｅｓｕｌｔｉｎｇｉｎｐｏｏｒｌｏｃａｌｆｅａｔｕｒｅｅｘｐｒｅｓｓｉｏｎｅｆｆｅｃｔ．ＩｎｏｒｄｅｒｔｏｅｎｈａｎｃｅｔｈｅｒｅｐｒｅｓｅｎｔａｔｉｏｎａｂｉｌｉｔｙｏｆＲｏＩｇｒｉｄｐｏｏｌｉｎｇｍｏｄｕｌｅｆｏｒｌｏｃａｌｆｅａｔｕｒｅｓ，ＣＢＡＭａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｗａｓｉｎｔｒｏｄｕｃｅｄ．ＴｈｅＣＢＡＭａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｓｔａｒｔｓｆｒｏｍｔｗｏｄｏｍａｉｎｓｏｆｃｈａｎｎｅｌａｎｄｓｐａｃｅ．Ｏｎｔｈｅｏｎｅｈａｎｄ，ｉｔｄｅａｌｓｗｉｔｈｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｒｅｌａｔｉｏｎｓｈｉｐｏｆｆｅａｔｕｒｅｓｅｔｃｈａｎｎｅｌｓ；ｏｎｔｈｅｏｔｈｅｒｈａｎｄ，ｉｔｅｎａｂｌｅｓｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｐａｙｍｏｒｅａｔｔｅｎｔｉｏｎｔｏｔｈｅｖｏｘｅｌｒｅｇｉｏｎｗｈｅｒｅｆｅａｔｕｒｅｓｅｔｐｌａｙｓａｄｅｃｉｓｉｖｅｒｏｌｅｉｎｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｓｏａｓｔｏｅｎｈａｎｃｅｔｈｅｅｆｆｅｃｔｉｖｅｔｒａｎｓｍｉｓｓｉｏｎｏｆｉｍｐｏｒｔａｎｔｉｎｆｏｒｍａｔｉｏｎｉｎｔｈｅｎｅｔｗｏｒｋａｎｄｉｍｐｒｏｖｅｔｈｅｒｏｂｕｓｔｎｅｓｓｏｆｔｈｅｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｅｈｉｇｈｐｏｉｎｔｃｌｏｕｄ．ＳｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎｅｘｐｅｒｉｍｅｎｔｓｏｎＫｉｔｔｉ，ａｎｏｐｅｎｄａｔａｓｅｔｉｎｔｈｅｆｉｅｌｄｏｆａｕｔｏｍａｔｉｃｄｒｉｖｉｎｇ，ｓｈｏｗｔｈａｔｔｈｅｍｏｄｅｌｔｒａｉｎｅｄｂｙｔｈｅｐｒｏｐｏｓｅｄｉｍｐｒｏｖｅｄＰＶ－ＲＣＮＮ＋＋ｆｏｃｕｓｉｎｇｆｅａｔｕｒｅａｌｇｏｒｉｔｈｍｈａｓａｓｉｇｎｉｆｉｃａｎｔｉｍｐｒｏｖｅｍｅｎｔｅｆｆｅｃｔｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｂｅｎｃｈｍａｒｋｍｏｄｅｌ，ｗｈｉｃｈｅｆｆｅｃｔｉｖｅｌｙｅｎｈａｎｃｅｓｔｈｅｒｅｐｒｅｓｅｎｔａｔｉｏｎａｂｉｌｉｔｙｏｆＲｏＩｇｒｉｄｐｏｏｌｍｏｄｕｌｅｆｏｒｌｏｃａｌｆｅａｔｕｒｅｓ，ｓｔｒｅｎｇｔｈｅｎｓｔｈｅｅｘｐｒｅｓｓｉｏｎｅｆｆｅｃｔｏｆｄｅｔａｉｌｅｄｆｅａｔｕｒｅｓ，ａｎｄｉｍｐｒｏｖｅｓｔｈｅｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎａｃｃｕｒａｃｙｏｆｐｏｉｎｔｃｌｏｕｄ．Ｋｅｙｗｏｒｄｓ：Ｌｉｄａｒ；ｄｅｅｐｌｅａｒｎｉｎｇ；ＣＮＮ；ＰＶ－ＲＣＮＮ＋＋；ＣＢＡＭ－ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ基金项目：国家自然科学基金（６１６６３００５）㊂作者简介：段界余（１９９７－），男，硕士研究生，主要研究方向：计算机视觉㊁三维点云处理㊂通讯作者：宁㊀媛（１９６８－），女，硕士，教授，硕士生导师，主要研究方向：检测技术与自动化装置㊁人工智能㊂Ｅｍａｉｌ：ｅｅ．ｙｎｉｎｇ＠ｇｚｕ．ｅｄｕ．ｃｎ收稿日期：２０２２－１１－２９０㊀引㊀言近年来，深度传感器技术快速发展，其中激光雷达设备获取３Ｄ点云数据的质量和效率不断提升，被广泛应用于自动驾驶㊁智能交通系统㊁机器人等领域和行业㊂迄今为止，以卷积神经网络（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）为代表的深度学习技术已在图像分割㊁分类识别等多类视觉任务中大获成功［１］㊂与２Ｄ图像不同，３Ｄ点云不规则㊁非均匀和无序性的数据特点，使快速㊁精确的点云语义分割处理成为一项极具挑战性的任务㊂设计针对大规模㊁复杂场景３Ｄ点云的语义分割网络模型，成为当前研究重点［２］㊂目前，为了从稀疏和不规则的点云中学习识别特征，然后对学习到的特征进行点云语义分割，出现了两种主流的语义分割方法，主要分为直接点云语义分割和间接点云语义分割㊂间接的点云语义分割方法，主要是基于２Ｄ投影的多视图卷积神经网络（Ｍｕｌｔｉ－ＶｉｅｗＣＮＮ，ＭＶＣＮＮ）［３］和基于３Ｄ体素的ＶｏｘＮｅｔ［４］㊂Ｓｕ等［３］提出，先获取点云数据在不同视角下的２Ｄ投影图像，再利用传统ＣＮＮ提取投影图像特征，并通过池化层㊁全连接层聚合不同投影图像特征，得到最终语义分割结果㊂与多视角融合图像特征相比，体积离散意义下的点云体素化处理较好地维护了其数据内在几何关系㊂以Ｍａｔｕｒａｎａ等［４］提出的ＶｏｘＮｅｔ为代表的３ＤＣＮＮ，可以充分学习３Ｄ空间上下文信息用于场景分割㊂直接的点云语义分割方法，对原始的点云数据直接进行卷积神经网络操作，通过学习全局特征来进行点级的语义分割㊂Ｑｉ等［５］构建的ＰｏｉｎｔＮｅｔ成功解决了点云无序性㊁置换不变性等问题，但每个点的操作过于独立，不能很好的捕捉局部特征㊂针对这一问题，Ｑｉ等［６］在ＰｏｉｎｔＮｅｔ的基础上结合分层结构㊁最远距离点采样，提出通过融合不同层次区域特征，来捕获不同空间感知域的点云上下文信息的ＰｏｉｎｔＮｅｔ＋＋㊂为实现更高效㊁更准确的三维目标检测，Ｓｈａｏｓｈｕａｉ等［７］先将输入的原始点通过３Ｄ体素ＣＮＮ划分为分辨率为ＬˑＨˑＷ的小体素，再利用一系列的３ˑ３ˑ３的三维稀疏卷积，将点云转化为下采样大小为１ˑ㊁２ˑ㊁４ˑ㊁８ˑ的特征集，之后再转换为２Ｄ鸟瞰图以生成３Ｄ建议框㊂但是，体素量过大会导致内存不足，实际应用中计算效率低下㊂为了解决这个问题，Ｓｈａｏｓｈｕａｉ等［８］将不同层级的体素编码为少量的关键点特征，然后将关键点特征聚合到ＲＯＩ网格中，用于进一步的置信度预测和包围盒回归㊂在此基础上又提出ＰＶ－ＲＣＮＮ＋＋框架，引入两个新模块来提高ＰＶ－ＲＣＮＮ框架的准确性和效率㊂一个是以建议框为中心的扇区并行计算的关键点采样算法，另一个是ＲｏＩ网格池化聚合模块，用于从大规模的点云中聚合有效的局部特征㊂为更好地学习点云的细粒度局部特征，在ＰＶ－ＲＣＮＮ＋＋网络的基础上，本文将ＣＢＡＭ注意力机制嵌入到ＲｏＩ网格池化模块，通过调试和优化模型参数，可构建出改进的ＰＶ－ＲＣＮＮ＋＋算法，不仅增强了信息在网络间的有效传递，也得到了细粒度更饱满的局部特征㊂１㊀ＰＶ－ＲＣＮＮ＋＋目标检测算法ＰＶ－ＲＣＮＮ＋＋目标检测算法主要由两部分组成：第一部分为体素到关键点的场景特征编码㊂先通过带有扇区并行计算结构的，并以建议框为中心扩展半径区域内的最远距离点采样（ＳｅｃｔｏｒｉｚｅｄＰｒｏｐｏｓａｌ－ＣｅｎｔｒｉｃＦａｒｔｈｅｓｔＰｏｉｎｔＳａｍｐｌｉｎｇ，ＳＰＣ－ＦＰＳ）算法，从原始输入点云Ｐ中采样少量关键点Ｋ＝｛ｐ１，，ｐｎ｝，其中ｎ为超参数（本文ｎ＝２０４８）；再通过体素集抽象模块（ＶｏｘｅｌＳｅｔＡｂｓｔｒａｃｔ，ＶＳＡ）编码，从３Ｄ体素ＣＮＮ到关键点的多尺度语义特征，即ｆｉ（ｐｖ）＝［ｆｉ（ｐｖ１），ｆｉ（ｐｖ２），ｆｉ（ｐｖ３），ｆｉ（ｐｖ４）］，ｉ＝１，，ｎ（１）㊀㊀其中，ｐｖ１㊁ｐｖ２㊁ｐｖ３㊁ｐｖ４分别表示不同层级的神经网络㊂第二部分为关键点到网格点的ＲｏＩ网格池化模块㊂首先在每个由２Ｄ鸟瞰特征图生成的３Ｄ建议框中，统一采样６ˑ６ˑ６个网格点，记为Ｇ＝｛ｇ１，，ｇ２１６｝；再在网格点周围设置３ˑ３ˑ３的小体素；采用３个最近关键点特征插值的方法，可以得到体素局部特征㊂计算公式为ｆ（ｖ）ｉｘ，ｉｙ，ｉｚ＝ð３ｊ＝１（ωσ（ｊ）ｆσ（ｊ））ð３ｊ＝１ωσ（ｊ）（２）㊀㊀其中，ωσ（ｊ）＝（ｐσ（ｊ）－ｖｉｘ，ｉｙ，ｉｚ）－１，ｖｉｘ，ｉｙ，ｉｚ为该体素的中心位置㊂考虑到不同局部体素的特征存在较大的差异性，对这些体素局部使用不同的局部内核权重进行编码，公式为Ｕ＾（ｉｘ，ｉｙ，ｉｚ）＝Ｅ（ｒɡｉｘ，ｉｙ，ｉｚ，ｆ（ｖ）ｉｘ，ｉｙ，ｉｚ）ˑＷｖ（３）㊀㊀其中，Ｕ＾（ｉｘ，ｉｙ，ｉｚ）ɪＲＣｒ２，ｒ＾ｉｘ，ｉｙ，ｉｚɪＲ（３ˑ３）为３个最邻近关键点的相对位置，Ｅ（）是融合相对位置和特征的拼接操作，ＷｖɪＲ（９＋Ｃｒ１）ˑＣｒ２是对局部体素进行特征编码的可学习核权值矩阵，不同位置的局部体素的核权值不同㊂最后网格点周围的这些局部体素特征将通过一个多层感知机（ＭＬＰ）进行聚合，得到Ｃｏｕｔ特征通道的网格点特征用于后续处理㊂２㊀ＣＢＡＭ注意力机制为了更好地学习点云的细粒度局部特征，在ＰＶ－ＲＣＮＮ＋＋目标检测框架中引入注意力机制，通过忽略无关信息㊁关注重点信息，进一步提升语义分０２智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀割精度㊂不同于ＳＥＮｅｔ［９］（Ｓｑｕｅｅｚｅ－ａｎｄ－ＥｘｃｉｔａｔｉｏｎＮｅｔｗｏｒｋｓ）和ＥＣＡＮｅｔ［１０］（ＥｆｆｉｃｉｅｎｔＣｈａｎｎｅｌＡｔｔｅｎｔｉｏｎＮｅｔｗｏｒｋｓ），ＣＢＡＭ［１１］（ＣｏｎｖｏｌｕｔｉｏｎａｌＢｌｏｃｋＡｔｔｅｎｔｉｏｎＭｏｄｕｌｅ）注意力机制从通道和空间两个维度出发，实现从通道到空间的顺序注意力结构㊂通道注意力机制模块用于处理特征集通道的分配关系，空间注意力机制模块可以使神经网络更加关注点云中对分类起决定作用的体素区域而忽略无关紧要的区域㊂ＣＢＡＭ中的通道注意力机制模块首先通过平均池化和最大池化操作聚合特征集的空间信息，生成两个富含上下文信息的特征矢量Ｆｃａｖｇ和Ｆｃｍａｘ，再经过一个共享的多层感知机（ＭＬＰ），得到通道注意力映射ＭｃɪＲＣˑ１ˑ１ˑ１，公式为Ｍｃ（Ｆ）＝σ（ＭＬＰ（Ｆｃａｖｇ）＋ＭＬＰ（Ｆｃｍａｘ））（４）㊀㊀其中，σ表示ｓｉｇｍｏｉｄ函数㊂ＣＢＡＭ中的空间注意力机制模块首先沿通道轴通过平均池化和最大池化操作聚合特征集的通道信息，生成两个３Ｄ的特征集ＦｓａｖｇɪＲ１ˑＬˑＷˑＨ和ＦｓｍａｘɪＲ１ˑＬˑＷˑＨ（本文Ｌ㊁Ｗ㊁Ｈ均设置为３），再经过一个３ˑ３ˑ３的卷积核操作，生成三维空间注意力映射Ｍｓ（Ｆ）ɪＲ１ˑＬˑＷˑＨ，公式为Ｍｓ（Ｆ）＝σ（ｆ３ˑ３ˑ３（［Ｆｓａｖｇ；Ｆｓｍａｘ］））（５）㊀㊀其中，σ表示ｓｉｇｍｏｉｄ函数㊂３㊀改进的ＰＶ－ＲＣＮＮ＋＋目标检测算法改进的ＰＶ－ＲＣＮＮ＋＋目标检测算法如图１所示㊂卷积操作最大池化，平均池化空间注意力模块FFFF ′M cM sF ′F ″M s通道注意力模块F ′M cF最大池化平均池化M L P图１㊀嵌入ＣＢＡＭ注意力机制的改进ＰＶ－ＲＣＮＮ＋＋Ｆｉｇ．１㊀ＩｍｐｒｏｖｅｄＰＶ－ＲＣＮＮ＋＋ｗｉｔｈＣＢＡＭ㊀㊀改进的方法是在网格点周围的局部体素特征被编码后，加入ＣＢＡＭ注意力机制模块㊂在前向网络训练过程中，添加ＣＢＡＭ模块，会在通道和空间双维度上得到局部体素的聚焦式特征，相较于其他注意力机制只在单通道或单空间上聚焦，此改进方提高了网格点周围局部体素的细节特征提取效率和点云的分割精度㊂４㊀实验与分析４．１㊀数据集准备和平台搭建Ｋｉｔｔｉ［１２］数据集是目前自动驾驶视觉算法领域应用最广泛的数据集，为度量和测试算法性能提供了可靠的评估基准㊂实验所采用的数据集样本数量共有１５０００个，其中包括７４８２个训练样本数据和７５１８个测试样本数据㊂实验使用的开发平台为Ｕｂｕｎｔｕ１８．０４，内核是Ｌｉｎｕｘ，平台配置参数见表１㊂表１㊀实验平台参数Ｔａｂｌｅ１㊀Ｅｘｐｅｒｉｍｅｎｔａｌｐｌａｔｆｏｒｍｐａｒａｍｅｔｅｒｓ软硬件版本或型号操作系统Ｕｂｕｎｔｕ１８．０４ＣＰＵｉ７－１２８００ＨＸＧＰＵＧＴＸ３０８０Ｔｉ内存３２ＧＢＣＵＤＡ１１．４．０Ｔｏｒｃｈ１．１０．０Ｔｏｒｃｈｖｉｓｉｏｎ０．１１．０Ｐｙｔｈｏｎ３．７４．２㊀实验结果分析训练得到Ｃ－ＰＶ－ＲＣＮＮ＋＋的模型后，在Ｋｉｔｔｉ测１２第１２期段界余，等：基于改进ＰＶ－ＲＣＮＮ＋＋算法的三维点云聚焦式特征研究试集上对模型进行了评估，其中汽车的ＩｏＵ阈值设置为０．７，以４０个召回位置的平均精度作为评估结果，不同模型对不同难度目标的ｍＡＰ（％）对比结果详见表２㊂其中，简单㊁中等㊁困难分别对应目标完全可见㊁部分遮挡㊁大部分遮挡㊂表２㊀不同模型对不同难度汽车的准确率对比Ｔａｂｌｅ２㊀Ｃｏｍｐａｒｉｓｏｎｏｆａｃｃｕｒａｃｙｏｆｄｉｆｆｅｒｅｎｔｍｏｄｅｌｓｆｏｒｃａｒｓｏｆｄｉｆｆｅｒｅｎｔｄｉｆｆｉｃｕｌｔｙ％模型简单中等困难ＰｏｉｎｔＰｉｌｌａｒｓ［１３］８２．５８７４．３１６８．９９ＰｏｉｎｔＲＣＮＮ［１４］８６．９６７５．６４７０．７０ＰＶ－ＲＣＮＮ［７］９０．２５８１．４３７６．８２ＰＶ－ＲＣＮＮ＋＋［８］９０．１４８１．８８７７．１５Ｃ－ＰＶ－ＲＣＮＮ＋＋９０．１５８１．９８７７．４０㊀㊀实验结果表明，嵌入ＣＢＡＭ注意力机制的ＰＶ－ＲＣＮＮ＋＋算法，面对中等㊁困难的汽车的识别精度得到了有效的提升，证明本文改进的关于局部体素的聚焦式特征，在识别中等㊁困难目标时提升效果显著㊂５㊀结束语自动驾驶是未来道路交通发展的必然趋势，运用更高精度的目标检测算法，将大大保证汽车道路行驶的安全性，减少交通事故的发生频次㊂改进的ＰＶ－ＲＣＮＮ＋＋检测算法通过在ＲｏＩ网格池化模块嵌入ＣＢＡＭ注意力机制，确保网格点周围的重要信息可以有效传递，模型检测精度得到了有效的提升㊂参考文献［１］ＳＨＥＬＨＡＭＥＲＥ，ＬＯＮＧＪ，ＤＡＲＲＥＬＬＴ．Ｆｕｌｌｙｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓｆｏｒｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２０１５，３９（４）：６４０－６５１．［２］ＧＵＯＹＬ，ＷＡＮＧＨＹ，ＨＵＱＹ，ｅｔａｌ．Ｄｅｅｐｌｅａｒｎｉｎｇｆｏｒ３Ｄｐｏｉｎｔｃｌｏｕｄｓ：ａｓｕｒｖｅｙ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２０２１，４３（１２）：４３３８－４３６４［３］ＳＵＨ，ＭＡＪＩＳ，ＫＡＬＯＧＥＲＡＫＩＳＥ，ｅｔａｌ．Ｍｕｌｔｉ－ｖｉｅｗｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｆｏｒ３Ｄｓｈａｐｅｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．ＬｏｓＡｌａｍｉｔｏｓ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙＰｒｅｓｓ，２０１５：９４５－９５３［４］ＭＡＴＵＲＡＮＡＤ，ＳＣＨＥＲＥＲＳ．ＶｏｘＮｅｔ：ａ３Ｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｒｅａｌ－ｔｉｍｅｏｂｊｅｃｔｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ／ＲＳＪＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｎｔｅｌｌｉｇｅｎｔＲｏｂｏｔｓａｎｄＳｙｓｔｅｍｓ．ＬｏｓＡｌａｍｉｔｏｓ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙＰｒｅｓｓ，２０１５：９２２－９２８［５］ＱＩＣＲ，ＳＵＨ，ＭＯＫ，ｅｔａｌ．ＰｏｉｎｔＮｅｔ：ｄｅｅｐｌｅａｒｎｉｎｇｏｎｐｏｉｎｔｓｅｔｓｆｏｒ３Ｄｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｓｅｇｍｅｎｔａｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．ＬｏｓＡｌａｍｉｔｏｓ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙＰｒｅｓｓ，２０１７：７７－８５［６］ＱＩＣＲ，ＹＩＬ，ＳＵＨ，ｅｔａｌ．ＰｏｉｎｔＮｅｔ＋＋：ｄｅｅｐｈｉｅｒａｒｃｈｉｃａｌｆｅａｔｕｒｅｌｅａｒｎｉｎｇｏｎｐｏｉｎｔｓｅｔｓｉｎａｍｅｔｒｉｃｓｐａｃｅ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２４ｔｈＡｎｎｕａｌＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ．Ｃａｍｂｒｉｄｇｅ：ＭＩＴＰｒｅｓｓ，２０１７：５０９９－５１０８．［７］ＳＨＩＳ，ＧＵＯＣ，ＪＩＡＮＧＬ，ｅｔａｌ．Ｐｖ－ｒｃｎｎ：Ｐｏｉｎｔ－ｖｏｘｅｌｆｅａｔｕｒｅｓｅｔａｂｓｔｒａｃｔｉｏｎｆｏｒ３ｄｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ／ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．２０２０：１０５２９－１０５３８．［８］ＳＨＩＳ，ＪＩＡＮＧＬ，ＤＥＮＧＪ，ｅｔａｌ．ＰＶ－ＲＣＮＮ＋＋：Ｐｏｉｎｔ－ｖｏｘｅｌｆｅａｔｕｒｅｓｅｔａｂｓｔｒａｃｔｉｏｎｗｉｔｈｌｏｃａｌｖｅｃｔｏｒｒｅｐｒｅｓｅｎｔａｔｉｏｎｆｏｒ３Ｄｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，２０２３，１３１（２）：５３１－５５１．［９］ＨＵＪ，ＳＨＥＮＬ，ＳＵＮＧ．Ｓｑｕｅｅｚｅ－ａｎｄ－ｅｘｃｉｔａｔｉｏｎｎｅｔｗｏｒｋｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．２０１８：７１３２－７１４１．［１０］ＷＡＮＧＱ，ＷＵＢ，ＺＨＵＰ，ｅｔａｌ．ＥＣＡ－Ｎｅｔ：Ｅｆｆｉｃｉｅｎｔｃｈａｎｎｅｌａｔｔｅｎｔｉｏｎｆｏｒｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ／ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．２０２０：１１５３４－１１５４２．［１１］ＷＯＯＳ，ＰＡＲＫＪ，ＬＥＥＪＹ，ｅｔａｌ．Ｃｂａｍ：Ｃｏｎｖｏｌｕｔｉｏｎａｌｂｌｏｃｋａｔｔｅｎｔｉｏｎｍｏｄｕｌｅ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ（ＥＣＣＶ）．２０１８：３－１９．［１２］ＧＥＩＧＥＲＡ，ＬＥＮＺＰ，ＵＲＴＡＳＵＮＲ．Ａｒｅｗｅｒｅａｄｙｆｏｒａｕｔｏｎｏｍｏｕｓｄｒｉｖｉｎｇ？ｔｈｅｋｉｔｔｉｖｉｓｉｏｎｂｅｎｃｈｍａｒｋｓｕｉｔｅ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０１２ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．ＩＥＥＥ，２０１２：３３５４－３３６１．［１３］ＬＡＮＧＡＨ，ＶＯＲＡＳ，ＣＡＥＳＡＲＨ，ｅｔａｌ．Ｐｏｉｎｔｐｉｌｌａｒｓ：Ｆａｓｔｅｎｃｏｄｅｒｓｆｏｒｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎｆｒｏｍｐｏｉｎｔｃｌｏｕｄｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ／ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．２０１９：１２６９７－１２７０５．［１４］ＳＨＩＳ，ＷＡＮＧＸ，ＬＩＨ．Ｐｏｉｎｔｒｃｎｎ：３ｄｏｂｊｅｃｔｐｒｏｐｏｓａｌｇｅｎｅｒａｔｉｏｎａｎｄｄｅｔｅｃｔｉｏｎｆｒｏｍｐｏｉｎｔｃｌｏｕｄ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ／ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．２０１９：７７０－７７９．２２智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀。

NoC测试技术与优化方法研究

NoC测试技术与优化方法研究NoC（网络连接）是一种集成电路设计中的通信架构，被广泛应用于多核处理器、系统芯片、嵌入式系统等领域。

NoC的性能和能耗直接影响到芯片的整体性能和功耗。

因此，对NoC的测试技术与优化方法进行研究具有重要意义。

首先，我们来介绍NoC的测试技术。

在NoC设计中，主要存在两类测试问题：连通性测试和通信质量测试。

连通性测试是指验证NoC中各个节点之间的网络连接是否正常。

通信质量测试是指验证数据在NoC中传输的可靠性和时延。

为了解决这些问题，研究者们提出了一些测试技术。

一种常见的测试技术是利用虚拟链路来进行测试。

虚拟链路允许不同节点之间建立虚拟通信通道，通过发送测试数据来验证NoC的连通性和通信质量。

同时，还可以通过注入错误、延迟等方式模拟不同的通信场景，以评估NoC在各种条件下的性能。

另一种测试技术是利用Agent来进行测试。

Agent是一种运行在NoC节点上的测试程序，用于检测和报告节点和链路的状态。

通过在NoC中部署多个Agent，可以实现对整个NoC的测试覆盖。

除了测试技术，优化方法也是研究人员关注的重点。

NoC的性能和能耗优化是一项复杂的任务，需要考虑多方面的因素。

以下是一些常见的优化方法：首先，我们可以通过优化NoC的拓扑结构来提升性能和减少能耗。

不同的拓扑结构具有不同的特点，例如星型、网格、环形等，研究人员可以根据应用需求选择最适合的拓扑结构。

其次，通过优化NoC的路由算法可以改善数据传输的效率和带宽利用率。

一种常见的优化方法是基于动态路由算法，根据网络负载和拓扑结构的变化，实时调整数据传输路径，从而提高网络的吞吐量。

此外，利用调度算法可以实现对NoC中任务的优化分配和调度。

通过合理地分配任务，最大限度地利用各个节点的计算资源，从而提高系统的整体性能。

另外，可以通过设计有效的容错机制来提高NoC的可靠性和容错性。

例如，使用冗余链路、错误控制编码等技术，可以在链路出现错误时实现数据重传和错误修复。

硅通孔负载全局均衡的3D NoC延迟上界优化方法

Ａｂｓｔｒａｃｔ：Ｆｏｒｔｈｅｓｐｅｃｉａｌｓｔｒｕｃｔｕｒｅｏｆｔｈｒｏｕｇｈｓｉｌｉｃｏｎｖｉａｓ（ＴＳＶ）ｉｎｔｈｒｅｅｄｉｍｅｎｓｉｏｎａｌｎｅｔｗｏｒｋｏｎｃｈｉｐ（３ＤＮｏＣ），ａｄｅｌａｙｂｏｕｎｄｏｐｔｉｍｉｚａｔｉｏｎｍｅｔｈｏｄｆｏｒ３ＤＮｏＣｗａｓｐｒｏｐｏｓｅｄ．ＴｈｅｄｅｌａｙｂｏｕｎｄｏｆｔｈｅｇｌｏｂａｌｂｕｓｉｎｅｓｓｆｌｏｗｗａｓｒｅｄｕｃｅｄｂｙｂａｌａｎｃｉｎｇａｇｌｏｂａｌｔｒａｆｆｉｃｌｏａｄｏｆＴＳＶ．Ｔｈｅｍｅｓｈｃｏｍｍｕｎｉｃａｔｉｏｎｍｏｄｅｌｏｆ３ＤＮｏＣｗａｓｃｏｎｓｔｒｕｃｔｅｄ．Ｔｈｅｆｅａｓｉｂｌｅｐａｔｈｓｏｆａｌｌｆｌｏｗｓｉｎｔｈｅｎｅｔｗｏｒｋｗｅｒｅｓｅａｒｃｈｅｄ．ＡｄｅｇｒｅｅｂａｓｅｄｃｏｎｔｅｎｔｉｏｎｍａｔｒｉｘｗａｓｐｒｏｐｏｓｅｄｔｏｃａｌｃｕｌａｔｅｔｈｅＴＳＶｃｏｎｔｅｎｔｉｏｎｉｎｄｅｘｃｏｅｆｆｉｃｉｅｎｔ．Ｆｉｎａｌｌｙ，ｔｈｅｔａｒｇｅｔｆｌｏｗｗａｓａｓｓｉｇｎｅｄｔｏｔｈｅｐａｒｔｉａｌｏｐｔｉｍａｌｐａｔｈｓａｃｃｏｒｄｉｎｇｔｏｔｈｅｓｉｚｅｏｆＴＳＶｃｏｎｔｅｎｔｉｏｎｉｎｄｅｘ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｄｅｇｒｅｅｂａｓｅｄｃｏｎｔｅｎｔｉｏｎｍａｔｒｉｘｃａｎｅｆｆｅｃｔｉｖｅｌｙｒｅｄｕｃｅｔｈｅｓｔｏｒａｇｅｓｐａｃｅ，ａｎｄｔｈｅｓｔｏｒａｇｅｃｏｍｐｌｅｘｉｔｙｉｓｒｅｄｕｃｅｄｆｒｏｍＯ（ｎ２）ｔｏＯ（ｎ）．Ｉｔｃａｎｃｌｅａｒｌｙａｎｄｉｎｔｕｉｔｉｖｅｌｙｅｘｈｉｂｉｔｔｈｅｃｏｎｆｌｉｃｔｓｉｔｕａｔｉｏｎｏｆｔｈｅｂｕｓｉｎｅｓｓｆｌｏｗｉｎｔｈｅｎｅｔｗｏｒｋ．Ｗｉｔｈｔｈｅｄｅｌａｙｂｏｕｎｄｏｐｔｉｍｉｚａｔｉｏｎｍｅｔｈｏｄｆｏｒ３ＤＮｏＣｗｉｔｈｇｌｏｂａｌｌｏａｄｂａｌａｎｃｉｎｇｏｆＴＳＶ，ｔｈｅｄｅｌａｙｂｏｕｎｄｏｆｔｈｅｔａｒｇｅｔｆｌｏｗｉｓｓｉｇｎｉｆｉｃａｎｔｌｙｏｐｔｉｍｉｚｅｄ．Ｔｈｅｍａｘｉｍｕｍｏｐｔｉｍｉｚａｔｉｏｎｅｆｆｅｃｔｃａｎｒｅｄｕｃｅｔｈｅｄｅｌａｙｅｄｕｐｐｅｒｂｏｕｎｄｂｙ５８．９％．Ｋｅｙｗｏｒｄｓ：ｔｈｒｅｅｄｉｍｅｎｓｉｏｎａｌｎｅｔｗｏｒｋｏｎｃｈｉｐ（３ＤＮｏＣ）；ｄｅｌａｙｂｏｕｎｄ；ｇｌｏｂａｌｌｏａｄｂａｌａｎｃｉｎｇ；

基于进化算法的模型参数识别与优化

基于进化算法的模型参数识别与优化以往的模型参数优化方法大多是直接手动选择参数，在实验中不断地调整参数值，直到达到预期效果为止。

但是这种方法比较耗时，且难以保证得到最优参数组合。

因此，基于进化算法的模型参数识别与优化方法逐渐获得了广泛的应用。

进化算法是一类基于生物进化过程的优化算法，其本质是模拟自然界的进化选择过程，通过不断变异、交叉以及选择操作，逐步优化出最优解。

进化算法具有全局搜索能力、不依赖于初值和约束条件、易于理解和实现等优点，在优化问题中得到了广泛的应用。

在模型参数识别和优化中，进化算法常用的有遗传算法、粒子群算法、蚁群算法、差分进化算法等。

这些算法的共同点是通过在参数空间中搜索最优解，从而找到最优参数组合，以达到优化模型的目的。

在具体的参数识别与优化过程中，需要定义合适的目标函数和模型评价指标。

通常采用误差平方和、平均绝对误差或平均相对误差等作为评价指标，以判断模型的拟合效果，进而调整参数。

同时，为了防止算法陷入局部最优解，还需要采用转移概率较低的长跳步变异算子以增加算法的全局搜索能力。

除了框架的选择和模型评价指标的制定，进化算法还需要考虑参数空间的选择和算法的优化控制等问题。

其中，参数空间的选择需要注意参数之间的交叉影响和重要程度，以及不同参数间的限制条件，以确保搜索的结果符合模型的物理规律和实际应用需求。

而在算法的优化控制中，需要关注每一代个体的收敛速度，以及遗传算子和进化规则的适应性，不断地调整参数权重和调节算法控制策略。

总之，基于进化算法的模型参数识别和优化方法具有广泛的应用前景。

在实际应用中，需要结合特定的应用场景和问题，选择合适的算法框架和参数设置，以实现对模型参数的精准、高效的识别与优化。

三维投影变换辅助的云游戏编码优化算法

三维投影变换辅助的云游戏编码优化算法三维投影变换辅助的云游戏编码优化算法随着科技的不断发展和云计算的兴起，云游戏作为一种新兴的游戏方式，正逐渐受到越来越多玩家的喜爱。

与传统游戏不同，云游戏将游戏的计算和渲染工作都放置在远程的服务器上，玩家只需通过网络即可享受到高质量的游戏体验，无需升级硬件或下载庞大的游戏文件。

然而，由于云游戏需要将游戏的图像和声音数据通过网络传输到玩家端，网络带宽成为制约云游戏发展的关键因素之一。

因此，如何在保证游戏质量的前提下，进一步优化云游戏的编码算法成为一个重要的研究方向。

本文主要针对云游戏编码中存在的传输带宽低效问题，提出了一种基于三维投影变换的编码优化算法。

该算法通过对游戏场景进行三维投影变换，将游戏画面转换为更加紧凑和高效的表示方式，从而减少传输所需的带宽和延迟，并提高图像渲染的速度和质量。

首先，我们需要了解三维投影变换的基本原理。

在云游戏中，游戏场景通常由三维模型和纹理组成。

为了进行投影变换，我们需要将三维模型转换为二维平面上的投影图像。

常见的投影方式有平行投影和透视投影两种。

平行投影将三维模型的所有物体都以相同的比例进行缩放，并且不考虑物体之间的距离差异。

透视投影则更加接近人眼的视觉感受，可以根据物体与观察者的距离远近来调整物体的大小和位置。

在基于三维投影变换的编码优化算法中，我们采用透视投影来进行画面的变换。

透视投影可以减少游戏场景中远处物体的细节信息，从而降低传输所需的带宽。

同时，透视投影还可以根据玩家的视角动态调整物体的大小和位置，使得玩家在游戏过程中能够感受到更真实的立体效果。

在实际实现过程中，我们需要先将游戏场景中的三维模型和纹理转换为适合进行投影变换的格式。

这包括将三维模型转换为顶点和面的表示形式，以及将纹理转换为适合在二维平面上进行显示的格式。

同时，为了提高编码的效率，我们还可以通过压缩算法对模型和纹理进行压缩。

这样不仅可以减少传输所需的带宽，还可以降低图像渲染的延迟，并提高游戏画面的质量。

进化算法优化及深度学习模型探讨

进化算法优化及深度学习模型探讨进化算法优化是一种通过模拟自然选择和遗传机制来优化解决问题的方法。

深度学习模型是一种基于人工神经网络的机器学习模型，具有强大的自动特征学习和表示能力。

本文将探讨进化算法在深度学习模型优化中的应用，并提供一些实例和案例研究。

进化算法在深度学习模型优化中的应用是当前研究的热点之一。

深度学习模型通常包含大量的参数和复杂的结构，通过传统的优化方法很难找到全局最优解。

而进化算法通过模拟生物进化的方式，以群体中最适应环境的个体作为优化目标，通过交叉、变异等操作来逐步改进解决方案。

这种优化方法避免了陷入局部最优解的困境，具有较好的全局搜索能力。

在深度学习模型中，进化算法可用于优化神经网络的结构和参数。

例如，可以通过进化算法自动设计网络的层数、每层的节点数以及连接方式，以实现更好的模型性能。

此外，进化算法还可以用于优化网络参数的初始化和训练过程中的超参数选择，如学习率、迭代次数等。

通过使用进化算法来优化深度学习模型，可以加速模型的训练过程并提高模型的性能。

一个重要的进化算法优化深度学习模型的例子是遗传算法。

遗传算法通过对个体进行选择、交叉和变异等操作来创建新的个体，从而逐步改进解决方案。

在深度学习模型中，遗传算法可以用于优化网络的结构和参数。

例如，可以通过遗传算法来确定网络的层数和节点数，以及每个节点的连接方式。

此外，遗传算法还可以用于优化模型参数的初始化和训练过程中的超参数选择。

通过使用遗传算法来优化深度学习模型，可以提高模型的性能并加速训练过程。

另一个可以提到的进化算法优化深度学习模型的方法是粒子群优化算法。

粒子群优化算法通过模拟鸟类群体的行为来进行优化。

每个粒子代表一个解决方案，并通过观察邻近粒子的最佳解决方案来调整自己的位置。

在深度学习模型中，粒子群优化算法可以用于优化网络的结构和参数。

例如，可以通过粒子群优化算法来确定网络的层数和节点数，以及每个节点的连接方式。

此外，粒子群优化算法还可以用于调整模型的超参数，如学习率、迭代次数等。

基于路径多样性的3D NoC流量均衡容错路由算法

现代电子技术Modern Electronics Technique2021年4月1日第44卷第7期Apr.2021Vol.44No.70引言结合二维片上网络与三维集成电路发展而来的三维片上网络（Three⁃Dimensional Network⁃on⁃Chip ，3D NoC ）以其更短的全局互连、更高的封装密度、更小的体积等诸多优势，逐渐成为提高芯片性能的重要研究方向[1⁃2]。

然而，随着设计规模的扩大以及电路特征尺寸的减小，整个芯片的复杂度提升。

此时，3D NoC 出现链路故障的概率上升，从而使得网络性能下降，甚至整个系统失效。

为了解决链路故障的问题，同时提升路由路径的多样性，高效均衡的容错路由算法是一种保证3D NoC 性能以及可靠性的有效方法[3⁃4]。

在3D NoC 路由算法的研究中，较早提出的是确定性维序xyz 路由算法[5]，但其在有多条路径的情况下，仅选择其中一条固定路径，在流量均衡性上的表现很差。

为了提高路径的多样性，有一些路由算法选取多条路径作为数据通路。

文献[6]提出了一种多路径路由算法，可以得出三种路径：zxyxz 路径、xyzyx 路径和yzxzy 路径。

相较于传统的确定性路由算法，路径多样性有所提升，基于路径多样性的3D NoC 流量均衡容错路由算法李娇1，2，晁月斌1，冉峰1，2，蔡升1，郭润龙1，季渊1（1.上海大学微电子研究与开发中心，上海200444；2.上海大学新型显示技术及应用集成教育部重点实验室，上海200072）摘要：针对三维片上网络中路由算法路径单一、容错机制不完善导致的网络性能受限的问题，提出一种具有路径多样性的容错路由算法。

该算法首先分析路由路径，制定出最短路径下的路由策略；然后结合路径多样性，设计路由选择模型；最后对链路故障进行分类，设计更加均衡的容错绕行规则。

实验结果表明：该算法相较于对比算法，在无链路故障时，吞吐量提升了2%，传输延时降低了17.1%；在5%链路故障时，吞吐量提升了20.9%，传输延时降低了5.8%。

基于改进遗传算法的3D NoC测试优化

基于改进遗传算法的3D NoC测试优化凌景;杨汉生;王静【摘要】将云模型与遗传算法相结合对三维片上网络(3D NoC)测试端口进行优化.在测试过程中,重复使用系统本身的硬件资源即重用NoC作为TAM,采用XYZ路由算法,以测试时间为约束函数,采用改进的遗传算法为待测IP核选择合适的调度顺序以获得最短测试时间,提高测试效率.实验结果表明,针对不同规模的3D NoC,使用云模型更新寻优到精英种群后再使用遗传算法更新个体的方法能实现端口的优化,找到最优测试方案,减小测试时间,提高资源利用率.【期刊名称】《重庆科技学院学报（自然科学版）》【年(卷),期】2018(020)003【总页数】5页(P44-48)【关键词】三维片上网络;云模型;遗传算法;端口优化【作者】凌景;杨汉生;王静【作者单位】巢湖学院,合肥 238000;巢湖学院,合肥 238000;巢湖学院,合肥238000【正文语种】中文【中图分类】TP306随着半导体集成技术和制造工艺的不断发展，片上网络(Network-on-Chip，NoC)技术作为一种新型体系结构解决了SoC总线通信的局限性[1]，而三维片上网络(Three Dimensional Network-on-Chip,3D NoC)的出现解决了2D NoC全局连线过长、连线延迟和功耗开销等问题，逐渐成为NoC发展的主流[2]。

3D NoC集成IP核种类和数量的增加使得测试愈来愈重要，同时芯片集成复杂度的提高也使得测试愈来愈困难。

因此，如何实现高效的测试调度是目前3D NoC发展的瓶颈之一。

目前对3D NoC测试调度的研究主要集中在优化算法和优化策略上。

Mali等人利用遗传算法将系统中的待测核分配到各个测试端口，该方法可减少测试时间，但在测试过程中未考虑测试端口的位置[3]。

Manna等人采用Kernighan-Lin算法实现对TSV位置的合理选择，该方法有助于3D设计实现，但没有权衡其对系统性能的影响[4]。

3D-NoC的测试端口选择优化

优先出版计算机应用研究第32卷--------------------------------作者简介：许川佩(1968-)，女，广西桂林人，硕导，教授，主要研究方向为自动测试总线与系统、集成电路测试理论与技术(xcp@)；姚永兴(1989-)，男，硕士研究生，主要研究方向为自动测试与控制系统．3D-NoC 的测试端口选择优化许川佩1，姚永兴2(桂林电子科技大学电子工程与自动化学院，广西桂林 541004)摘要：三维片上网络（three dimensional network-on-chip ，3D-NoC ）作为片上系统新的发展方向，测试技术是影响其发展的重要因素。

提出一种功耗限制下测试端口选择优化的方法，从而缩短测试时间。

以系统功耗确定测试端口对数，以内核测试占用网络资源最少和测试时间最短为目标，为被测核选择端口位置。

利用云进化算法对不同端口位置组合寻优，快速收敛到适应值最佳的测试端口组合，完成测试方法研究。

以ITC’02基准电路作为实验对象，针对不同规模NoC ，实验结果表明，这种方法提高了测试效率，缩短测试时间，降低测试代价。

关键词：片上网络；选择优化；云进化算法中图分类号：TP306 文献标志码：AOptimized test ports selecting method on 3D NoCXU Chuan-pei 1, YAO Yong-xing 2(School of Electronic Engineering & Automation, Guilin University of Electronic Technology, Guilin 541004)Abstract: Three Dimensional Network-on-Chip is a new system on chip paradigm, test technology is essential for NoC development. This paper proposed a method to select and optimize test ports for shortening test time, under the test power consumption constraints. Selecting the appropriate number of the test ports according to the system power consumption constraints, optimizing location of the test ports for core to make the core test resources and test time minimum. Cloud Evolution Algorithm(CBEA) optimized different test ports combinations, strong convergence of CBEA enabled CBEA to be able to find accurate test ports within a short time, completed test method research. Experiments with ITC´02 test circuits as the simulation object, experimental results of different scales NoC show that this way can improve the efficiency of test, make test time short , and decrease the test cost.Key Words: network-on-chip; selecting optimization; cloud evolution algorithm0 引言片上网络将计算机通信技术移植到集成电路设计中，从体系结构上有效解决了多核通信问题，并具有良好空间扩展性和并行通信能力[1]。

3D-NoC的测试端口选择优化

3D-NoC的测试端口选择优化
许川佩;姚永兴
【期刊名称】《计算机应用研究》
【年(卷),期】2015(032)003
【摘要】提出一种功耗限制下测试端口选择优化的方法,从而缩短测试时间.以系统功耗确定测试端口对数,以内核测试占用网络资源最少和测试时间最短为目标,为被测核选择端口位置.利用云进化算法对不同端口位置组合寻优,快速收敛到适应值最佳的测试端口组合,完成测试方法研究.以ITC' 02基准电路作为实验对象,针对不同规模NoC,实验结果表明,这种方法提高了测试效率,缩短了测试时间,降低了测试代价.
【总页数】5页(P810-813,820)
【作者】许川佩;姚永兴
【作者单位】桂林电子科技大学电子工程与自动化学院,广西桂林541004;广西自动检测技术与仪器重点实验室,广西桂林541004;桂林电子科技大学电子工程与自动化学院,广西桂林541004;广西自动检测技术与仪器重点实验室,广西桂林541004
【正文语种】中文
【中图分类】TP306
【相关文献】
1.CISPR/Ⅰ分会委员Jens Medler对高速LAN端口测试条件及选择ISN的意见[J],
2.基于云进化算法的3D NoC测试端口优化选择 [J], 陈家栋;李祥梅
3.嵌入式P端口SRAM的端口间故障测试 [J], 单河坤;陈则王;崔江;王友任
4.多端口选择环境下的改进VPN网络通信优化仿真 [J], 蒲斌
5.功耗限制下的NoC测试端口的优化选择方法 [J], 欧阳一鸣;冯伟;梁华国
因版权原因，仅展示原文概要，查看原文内容请购买。

基于粒子群算法的3D NoC测试优化方法

基于粒子群算法的3D NoC测试优化方法
许川佩;李克梅
【期刊名称】《微电子学与计算机》
【年(卷),期】2017(34)9
【摘要】三维片上网络(3D NoC)中资源内核的测试问题日益突出,本文采用带分复用策略并结合改进离散粒子群算法对IP核测试数据分配及调度方案进行快速寻优.算法通过群体多样性的监控实现对粒子前行速度的动态调节,增强全局探索能力,并自适应调整惯性权重,以加强粒子的局部开发能力,进而改善粒子搜索的停滞现象.以ITC'02测试标准电路作为实验对象,仿真结果表明,本文方法能有效地完成3D NoC 资源内核的最大化并行测试,减少了测试时间,提高了资源利用率.
【总页数】6页(P26-31)
【关键词】三维片上网络;带分复用;离散粒子群算法;测试优化
【作者】许川佩;李克梅
【作者单位】桂林电子科技大学电子工程与自动化学院;广西自动检测技术与仪器重点实验室
【正文语种】中文
【中图分类】TP306
【相关文献】
1.基于动态自适应离散粒子群算法的3D NoC低功耗映射方法 [J], 刘勤让;戴启华;沈剑良;赵博
2.基于布谷鸟算法的3D NoC测试优化研究 [J], 许川佩; 杜雨桐
3.基于粒子群算法的多约束3D NoC协同测试规划 [J], 许川佩;李克梅
4.TSV数量限制下的3D NoC测试优化方法 [J], 许川佩;刘洋;陈家栋
5.基于猴群算法的3D NoC IP核测试优化方法 [J], 许川佩;陈玄
因版权原因，仅展示原文概要，查看原文内容请购买。