EvGNN: An Event-driven Graph Neural Network Accelerator for Edge Vision

结合传感和嵌入式处理的边缘视觉系统，承诺提供低延迟、分散式和节能的解决方案，避免对云的依赖。与传统基于帧的视觉传感器不同，事件驱动相机提供微秒级时间分辨率和稀疏信息编码，因此为边缘视觉系统提供了新的机会。然而，主流的基于帧的视觉算法，主要依赖于卷积神经网络（CNNs），很难利用事件驱动视觉的优势，因为它们通常针对密集的矩阵-向量乘法进行优化。尽管最近出现了基于事件的图神经网络（GNNs）作为稀疏事件驱动视觉的有前途的解决方案，但它们的不规则结构是当前阻碍设计高效硬件加速器的挑战。在本文中，我们提出了 EvGNN，这是第一个针对基于事件的相机进行低占用、超低延迟和高精度边缘视觉的事件驱动 GNN 加速器。它依赖于三个核心思想：（i）利用单跳节点的有向动态图，具有无边存储；（ii）事件队列，用于在时空上解耦的搜索范围内高效识别局部邻居；（iii）一种新颖的层并行处理方案，实现多层 GNN 的低延迟执行。我们在 Xilinx KV260 Ultrascale+ MPSoC 平台上部署了 EvGNN，并在 N-CARS 数据集上进行了基准测试，展示了 87.8% 的分类精度和每个事件的平均延迟为 16 微秒，从而实现了实时、微秒级分辨率的事件驱动视觉边缘计算。

本论文旨在解决基于事件驱动视觉的图神经网络加速器设计问题，以实现边缘视觉系统的低延迟、高准确性和低功耗。

EvGNN是第一个基于事件驱动的GNN加速器，采用有向动态图、事件队列和层并行处理方案，实现了多层GNN的低延迟执行。

论文使用N-CARS数据集进行了基准测试，展示了EvGNN在车辆识别方面的高准确性和每个事件的平均延迟为16微秒的低延迟，为实现边缘的实时事件驱动视觉提供了可能。

最近的相关研究包括使用CNN的传统帧驱动视觉系统和使用事件驱动GNN的稀疏事件驱动视觉系统。