基于深度学习的点云分割算法通过设计复杂的特征提取模块,可以对高维空间点云进行有效的分割. 但由于缺乏对边界点集的特征挖掘,使得其对边界分割的精度欠佳. 已有将对比学习思想用于点云分割以解决边界区域分割性能不足问题的研究中,忽略了点云无序和稀疏特性,特征提取不够准确. 对此,设计了基于对比学习和标签挖掘的点云分割模型CL2M (contrastive learning label mining),通过自注意力机制学习不同位置处点云更为精准的特征,并引入对比学习方法,提高了点云边界处的分割精度. 在对比边界学习过程中通过深入挖掘语义空间中的标签并设计了基于标签分布的对比边界学习模块,使得高维空间点云标签分布包含更多的语义信息. CL2M充分利用标签的分布规律计算分布间的距离,可准确划分正负样本,减少了常规硬划分带来的累计错误. 在2个公开数据集上进行的实验结果表明,CL2M在多个评价指标上优于既有的点云分割模型,验证了模型的有效性.

向量处理单元（vector processing unit, VPU）已被广泛应用于神经网络、信号处理和高性能计算等处理器设计中,但其总体性能仍受限于专门用于对齐数据的混洗操作. 传统上,处理器使用其数据混洗单元来处理混洗操作. 然而,使用数据混洗单元来处理混洗指令将带来昂贵的数据移动开销,并且数据混洗单元只能串行混洗数据. 事实上,混洗操作只会改变数据的布局,理想情况下混洗操作应在内存中完成. 随着存内计算技术的发展,SRAM不仅可以作为存储部件,同时还能作为计算单元. 为了实现存内混洗,提出了混洗SRAM,它可以在SRAM体中逐位地并行混洗多个向量. 混洗SRAM的关键思想是利用SRAM体中位线的数据移动能力来改变数据的布局. 这样SRAM体中位于同一位线上不同数据的相同位可以同时被移动,从而使混洗操作拥有高度的并行性. 通过适当的数据布局和向量混洗扩展指令的支持,混洗SRAM可以高效地处理常用的混洗操作. 评测结果表明,对于常用的混洗操作,混洗SRAM可以实现平均28倍的性能增益,对于FFT,AlexNet,VggNet等实际的应用,可以实现平均3.18倍的性能增益. 混洗SRAM相较于传统SRAM的面积开销仅增加了4.4%.