法國(guó)原子能委員會(huì)電子與信息技術(shù)實(shí)驗(yàn)室（CEA-Leti）近日發(fā)表了Wissam Benjilali的博士論文，題為“Exploring analog-to-information CMOS image sensor design taking advantage on recent advances of compressive sensing for low-power image classification”。

近年來(lái)CMOS圖像傳感器（CIS）領(lǐng)域研究進(jìn)展逐漸促進(jìn)了研究者重新審視標(biāo)準(zhǔn)圖像采集和處理流程，以實(shí)現(xiàn)片上高級(jí)圖像處理應(yīng)用，如決策等。盡管技術(shù)節(jié)點(diǎn)演進(jìn)和3D集成已帶來(lái)巨大成就，但由于感知和處理的數(shù)據(jù)量巨大以及實(shí)現(xiàn)最先進(jìn)決策算法的硬件成本高昂，設(shè)計(jì)具有片上決策能力的CMOS圖像傳感器架構(gòu)仍然是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。

在該背景下，誕生了壓縮感知（Compressive Sensing，簡(jiǎn)稱CS）作為信號(hào)采集的替代方案，即用壓縮表示方式感知數(shù)據(jù)。當(dāng)基于隨機(jī)生成傳感模型時(shí)，CS可通過(guò)減少模數(shù)轉(zhuǎn)換以及數(shù)據(jù)片外吞吐量來(lái)大幅節(jié)省硬件，同時(shí)為信號(hào)恢復(fù)和信號(hào)處理提供有意義的信息。傳統(tǒng)上，CS在CMOS圖像傳感器應(yīng)用中被用于壓縮任務(wù)，并與涉及高級(jí)算法復(fù)雜度的遠(yuǎn)程信號(hào)恢復(fù)算法相結(jié)合使用。為了降低這種復(fù)雜性，CS的信號(hào)處理為直接在CS測(cè)量時(shí)進(jìn)行信號(hào)處理（且無(wú)顯著性能損失）提供了堅(jiān)實(shí)的理論基礎(chǔ)，同時(shí)也為低功耗智能傳感器節(jié)點(diǎn)的設(shè)計(jì)提供了新思路。此論文基于算法和硬件研究路線，闡述了如何利用壓縮感知技術(shù)，采用高效片上決策算法來(lái)設(shè)計(jì)低功耗傳感器節(jié)點(diǎn)。

主要壓縮感知成像技術(shù)分類圖

該論文在概述壓縮感知和機(jī)器學(xué)習(xí)領(lǐng)域（尤其關(guān)注硬件實(shí)現(xiàn)）之后，呈現(xiàn)了本研究用于設(shè)計(jì)緊湊型CMOS圖像傳感器架構(gòu)的高效感知方案和決策方法的四項(xiàng)主要成果。首先，分析探討了對(duì)于高度受限硬件來(lái)說(shuō)解決CS測(cè)量的基本推理任務(wù)問(wèn)題。其目的是尋找最優(yōu)設(shè)置來(lái)執(zhí)行壓縮感知的測(cè)量決策。

簡(jiǎn)單闡述CS感知方案的2D示意圖

其次，該論文提出一種新型CMOS圖像傳感器應(yīng)用傳感方案。該方案旨在滿足理論和硬件兩方面要求，研究證明該傳感模型適用于CMOS圖像傳感器應(yīng)用，可同時(shí)處理圖像繪制和片上決策任務(wù)。另一方面，為了解決標(biāo)準(zhǔn)決策算法所涉及的片上計(jì)算復(fù)雜度問(wèn)題，探討了構(gòu)建層次推理樹(shù)的新方法，以減少與片上多類別推理任務(wù)相關(guān)的MAC操作。當(dāng)層次推理與壓縮感知相結(jié)合時(shí)，可實(shí)現(xiàn)聯(lián)合采集處理最優(yōu)化。

圖為偽隨機(jī)調(diào)制和排列壓縮圖像傳感器的頂層架構(gòu)

最終，本研究所有成果即可形成一種緊湊型CMOS圖像傳感器架構(gòu)，可通過(guò)研究所提及的CS傳感方案來(lái)實(shí)現(xiàn)片上目標(biāo)識(shí)別，從而減少了片上存儲(chǔ)的需求。與使用一階增量Sigma-Delta模數(shù)轉(zhuǎn)換器（ADC）的標(biāo)準(zhǔn)CMOS圖像傳感器架構(gòu)相比，該方案僅需的額外硬件為偽隨機(jī)數(shù)據(jù)混合電路、+/-1 in-Sigma-Delta調(diào)制器和小型數(shù)字信號(hào)處理器（DSP）。另外，論文中還提出多種硬件優(yōu)化方案，以適應(yīng)未來(lái)超低功耗（≈μW）CMOS圖像傳感器設(shè)計(jì)的需求。

圖為該架構(gòu)不同層次GIT-10 SVM的識(shí)別精度

關(guān)于壓縮感知（CS）

壓縮感知（Compressed Sensiong，CS）是在采樣過(guò)程中即完成了數(shù)據(jù)壓縮的過(guò)程。壓縮感知理論是2006年美國(guó)科學(xué)院院士D.Donoho、E.Candes及華裔科學(xué)家陶哲軒正式提出。它指明，信號(hào)在某個(gè)變換域如果是可以被壓縮或者稀疏的，就能將高維信號(hào)的變換系數(shù)投影到低維空間，而僅利用與變換矩陣不相干的觀測(cè)矩陣，得到信號(hào)的少量的重要信息，即這種投影保留了重建該信號(hào)所需的信息，而后通過(guò)求解最優(yōu)化問(wèn)題，就能夠從低維觀測(cè)向量精確的重構(gòu)出原始高維信號(hào)。壓縮感知有兩個(gè)前提條件：稀疏性（sparsity）和不相關(guān)性（incoherence）。目前壓縮感知理論已經(jīng)在多領(lǐng)域有著廣泛應(yīng)用，如醫(yī)療成像、數(shù)據(jù)壓縮、信息編碼、統(tǒng)計(jì)估計(jì)以及天文學(xué)等領(lǐng)域。