异构计算架构师眼中的AI算法（object detection）

导语

虽然detection在classification基础上焕发了春天，但算法的复杂度确实增加了不少。对于底层平台来说，虽然看起来还是一堆卷积，但图片的增大，带来了一些列问题。

目标检测object detection由于除了要识别what，还要找出where，从算法本身上复杂了许多。虽然最终实现端到端检测的网络是一个卷机网络，貌似和之前没有多大差别，但大图片除了计算量增加xx倍意外，图片的搬移才是给底层计算平台带来的最大挑战，高效的数据搬移重要性浮出水面，设计的中心从“计算为主”逐步切换到“计算加搬移”并重。

对底层平台来说，核心在于理解：

1. 为什么图片在object detection下越来越大，这个是不是其核心诉求？答案是，这个是第一诉求，从应用场景看，detection本身就是识别多个物体，提取出小图片来识别的代价太大；同时应用中物体的远近不等，大图片采集更大的视野也是一个主要原因。但同时一个利好因素是，在端侧应用，受限于人眼的识别能力，图片识别的张数要远比在服务器侧压力小。

2. 功耗的额要求：在机器人、无人车等应用中，和服务器端相比，功耗是一个关键因素。