CNN 对移动和嵌入式设备有非常苛刻的计算要求。卷积是 CNN 计算的主要部分。CNN 的二维卷积层允许用户利用重叠卷积，通过对同一输入同时执行一个或多个过滤器来提高处理效率。所以，对于嵌入式平台，设计师应该能够非常高效地执行卷积，以充分利用 CNN 流。
事实上，CNN 严格来说并不是一种算法，而是一种实现框架。它允许用户优化基本构件块，并建立一个高效的神经网络检测应用。因为 CNN 框架是对每个像素逐一计算，而且逐像素计算是一种要求非常苛刻的运算，所以它需要更多的计算量。
CEVA 已找到两种其他方法来提高计算效率，同时仍继续开发即将采用的算法，如 CNN。第一种是并行随机内存访问机制，它支持多标量功能，允许矢量处理器来管理并行负载能力。第二种是滑动窗口机制，它可以提高数据的利用率并防止相同的数据被多次重复加载。大多数成像过滤器和大型输入帧卷积中都有大量的数据重叠。这种数据重叠会随着处理器的矢量化程度增加而增加，可用于减少处理器和存储器之间的数据流量，从而能降低功耗。这种机制利用大规模数据重叠，允许开发人员在深度学习算法中自由实现高效的卷积，一般会使 DSP MAC运算达到极高的利用率。
目标识别的深度学习算法又一次提高了计算复杂度的门槛，因此需要一种新型的智能视觉处理器，这种视觉处理器应该能够提高处理效率和准确度以应对面临的挑战。CEVA-XM4- CEVA 最新的视觉和成像平台，结合了视觉算法专业知识与处理器架构技术，提供了一个经过精心设计的视觉处理器来应对嵌入式计算机视觉的挑战。
（责任编辑：fqj）
关于嵌入式技术就介绍完了，您有什么想法可以联系小编。