知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-08-14
(54)【発明の名称】ニューラル・ネットワークを使用した推論の改善
(51)【国際特許分類】
G06T 7/00 20170101AFI20240806BHJP
【ＦＩ】
G06T7/00 350C
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2024504773
(86)(22)【出願日】2022-07-26
(85)【翻訳文提出日】2024-03-19
(86)【国際出願番号】 US2022038402
(87)【国際公開番号】W WO2023009557
(87)【国際公開日】2023-02-02
(31)【優先権主張番号】17/390,689
(32)【優先日】2021-07-30
(33)【優先権主張国・地域又は機関】US
(81)【指定国・地域】
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＢＬＵＥＴＯＯＴＨ
２．ＺＩＧＢＥＥ
(71)【出願人】
【識別番号】501450960
【氏名又は名称】エヌビディア コーポレーション
(74)【代理人】
【識別番号】110000855
【氏名又は名称】弁理士法人浅村特許事務所
(72)【発明者】
【氏名】キーンヴァサラ、トゥシャール サントシュ
(72)【発明者】
【氏名】プランダレ、カウスタブー シュリハーシュ
【テーマコード（参考）】
5L096
【Ｆターム（参考）】
5L096AA02
5L096AA06
5L096BA04
5L096CA02
5L096DA02
5L096GA51
5L096HA05
5L096HA11
5L096KA04
(57)【要約】
推論された物体から取得したデータを使用して、同じ推論された物体を再推論するかどうかを判定するための、装置、システム、及び技法。少なくとも一実施例では、画像のセット間で追跡対象物体の推論から取得したデータが、条件のセットを調整するために使用される。
【特許請求の範囲】
【請求項1】
方法であって、画像のセット間で追跡された１つ又は複数の物体の推論に対応するデータを取得するステップと、
前記取得されたデータに少なくとも部分的に基づいて、前記１つ又は複数の物体の少なくとも１つの物体を、いつ再推論するかを決定するための条件のセットを調整するステップと
を含む、方法。
【請求項2】
前記条件のセットを満たすことが、前記少なくとも１つの物体を表現する計算されたサイズに基づいて、閾値を満たすこと、又は閾値を超えることを含む、請求項１に記載の方法。
【請求項3】
前記条件のセットが、前記１つ又は複数の物体に含まれる物体の数、前記画像のセットに対応する１つ又は複数の画像特性、及び前記少なくとも１つの物体の光強度のうちの少なくとも１つに基づいて動的に調整される、請求項１に記載の方法。
【請求項4】
前記取得されたデータが、１つ又は複数のグラフィックス・プロセッシング・ユニット（ＧＰＵ）の利用可能性を示すリソース使用率情報を含む、請求項１に記載の方法。
【請求項5】
追跡された前記１つ又は複数の物体に識別子を割り当てるステップと、１つ又は複数のニューラル・ネットワークを使用して、前記条件のセットを満たすこと及び前記識別子に基づいて、画像の第２のセットから前記少なくとも１つの物体を推論するステップと
をさらに含む、請求項１に記載の方法。
【請求項6】
第１のニューラル・ネットワークを使用して、前記画像のセットから、前記少なくとも１つの物体に対応する物体クラスを推論するステップと、第２のニューラル・ネットワークを使用して、画像の第２のセットから、前記少なくとも１つの物体に対応する１つ又は複数の精緻化された分類パラメータを推論するステップとをさらに含む、請求項１に記載の方法。
【請求項7】
前記第２のニューラル・ネットワークが、前記画像のセットから以前は利用可能ではなかった前記物体の１つ又は複数の特徴を使用して、前記画像の第２のセットから前記少なくとも１つの物体を推論する、請求項６に記載の方法。
【請求項8】
システムであって、１つ又は複数のプロセッサであって、
１つ又は複数の画像から検出される推論対象物体に対応するデータを取得し、
前記取得されたデータに少なくとも部分的に基づいて、条件のセットを調整し、
前記条件のセットを満たすことに少なくとも部分的に基づいて、１つ又は複数の追加的な画像から検出された前記物体を再推論する
ための１つ又は複数のプロセッサ
を備える、システム。
【請求項9】
前記条件のセットを満たすことが、前記物体に対応する計算されたバウンディング・ボリュームの高さ又は幅の少なくとも１つに関連付けられた閾値を満たすこと、又は閾値を超えることを含む、請求項８に記載のシステム。
【請求項10】
前記１つ又は複数のプロセッサが、グラフィックス・プロセッシング・ユニット（ＧＰＵ）使用率に少なくとも部分的に基づいて前記閾値を変化させることによって、前記条件のセットをさらに調整する、請求項９に記載のシステム。
【請求項11】
前記１つ又は複数のプロセッサが、ＧＰＵ使用率が第１の範囲にある場合は前記閾値を増大させることにより、ＧＰＵ使用率が第２の範囲にある場合は前記閾値を維持することにより、又はＧＰＵ使用率が第３の範囲にある場合は前記閾値を低下させることにより、前記閾値をさらに変化させる、請求項１０に記載のシステム。
【請求項12】
前記１つ又は複数のプロセッサが、さらに前記推論対象物体に追跡識別子を割り当て、
前記追跡識別子、及び前記推論対象物体についてのデータを、リストに記憶し、
前記リスト及び前記条件のセットに基づいて、１つ又は複数の追加的な画像から検出された物体を再推論するかどうかを判定し、
前記条件のセットが満たされた後、前記物体を再推論する、
請求項８に記載のシステム。
【請求項13】
前記１つ又は複数のプロセッサが、畳み込みニューラル・ネットワークのモデルをさらに使用して、前記１つ又は複数の追加的な画像から前記物体を再推論し、前記畳み込みニューラル・ネットワークのモデルが、前記１つ又は複数の画像から検出された前記物体を推論するために使用されるのと同じモデルである、請求項８に記載のシステム。
【請求項14】
前記物体が再推論された結果として、前記１つ又は複数のプロセッサが、前記物体の分類をさらに精緻化し、前記畳み込みニューラル・ネットワークのモデルが、前記１つ又は複数の追加的な画像から取得された追加的な物体特徴を使用する、請求項１３に記載のシステム。
【請求項15】
命令のセットが記憶された機械読取り可能媒体であって、前記命令のセットが１つ又は複数のプロセッサによって実行されると、前記１つ又は複数のプロセッサに、少なくとも、第１の画像から取得した物体のセットを推論させ、
前記物体のセットのサブセットを含む第２の画像を取得させ、
前記サブセットからの各物体に対応するデータから、満たされるべき条件のセットを調整するかどうかを判定させ、
前記条件のセットが満たされたことに基づいて、前記サブセットからの前記物体を再推論させて、前記物体の少なくとも１つの分類パラメータを精緻化させる、
機械読取り可能媒体。
【請求項16】
前記命令のセットが命令をさらに含み、前記命令は前記１つ又は複数のプロセッサによって実行されると、前記１つ又は複数のプロセッサに、前記サブセットからの物体に対応するデータが閾値を超えると前記条件のセットを調整させる、請求項１５に記載の機械読取り可能媒体。
【請求項17】
前記命令のセットが命令をさらに含み、前記命令は前記１つ又は複数のプロセッサによって実行されると、前記１つ又は複数のプロセッサに、グラフィックス・プロセッシング・ユニット（ＧＰＵ）使用率に基づいて、前記サブセットからの前記物体に対応する前記データが前記閾値を超えたと判定した後、前記条件のセットを調整させる、請求項１６に記載の機械読取り可能媒体。
【請求項18】
前記サブセットからの物体に対応するデータが、前記物体のサイズを含む、請求項１６に記載の機械読取り可能媒体。
【請求項19】
満たされるべき前記条件のセットが、前記サブセット中の物体の数、画像特性、画像強度、又は前記サブセットからの物体に関連する光強度のうちの少なくとも１つに基づいて調整される、請求項１５に記載の機械読取り可能媒体。
【請求項20】
前記命令のセットが命令をさらに含み、前記命令は前記１つ又は複数のプロセッサによって実行されると、前記１つ又は複数のプロセッサに、前記条件のセットが満たされたことに少なくとも部分的に基づいて、再推論する物体を前記サブセットから選択させ、前記条件のセットが、グラフィックス・プロセッシング・ユニット（ＧＰＵ）使用率及び画像中の関心領域に対応する情報に基づいて調整される、請求項１５に記載の機械読取り可能媒体。
【発明の詳細な説明】
【技術分野】
【0001】
優先権の主張
本出願は、あらゆる目的のために、本明細書によってその全体が本明細書に組み込まれる、「ＩＮＦＥＲＥＮＣＩＮＧ ＵＳＩＮＧ ＮＥＵＲＡＬ ＮＥＴＷＯＲＫＳ」と題される２０２１年７月３０日に提出された米国特許出願第１７／３９０，６８９号の利益を主張するものである。
本出願は、あらゆる目的のために、本明細書によってその全体が本明細書に組み込まれる、「ＩＮＦＥＲＥＮＣＩＮＧ ＵＳＩＮＧ ＮＥＵＲＡＬ ＮＥＴＷＯＲＫＳ」と題される２０２１年７月３０日に提出された米国特許出願第１７／３９０，６８９号の利益を主張するものである。
【0002】
少なくとも一実施例は、１つ又は複数の画像から物体を推論するために１つ又は複数のニューラル・ネットワークを使用する、処理リソースに関する。たとえば、少なくとも一実施例は、本明細書に記載される様々な新規な技術に従って、１つ又は複数の画像から物体を推論して、条件のセットが満たされたことに基づいて、分類を精緻化するために、物体に対して二次推論をさらに実施するために使用されるプロセッサ又はコンピューティング・システムに関する。
【背景技術】
【0003】
様々な文脈において、ニューラル・ネットワークを使用して１つ又は複数の画像内の物体の推論を実施すると、計算コストが高くなる可能性がある。多くの場合、ビデオは同じ物体の複数のフレームを含むため、複数のフレームにわたって同じ物体の分類を精緻化するには、多大な計算リソースが必要となる。１つ又は複数の画像から検出される物体の数が増加するにつれて、これらの物体のそれぞれについて分類を精緻化するために使用されるメモリ、時間、又は計算リソースの量は著しくなる。画像内に見られる物体に対する分類を精緻化するために使用されるメモリ、時間、又は計算リソースの量は、改善することができる。
【図面の簡単な説明】
【0004】
【図1】少なくとも一実施例による、１つ又は複数のニューラル・ネットワークが、１つ又は複数の画像から物体を推論し、物体を追跡し、追跡対象物体に対して二次推論を実施するかどうかを判定するために使用される、例示のフレームワークを示す図である。
【図2】少なくとも一実施例による、コンピューティング・デバイスによって実行されると、１つ又は複数の画像から物体を推論するためにビデオ・データを分析する、例示のアプリケーションを示す図である。
【図3】少なくとも一実施例による、コンピューティング・デバイスによって実行されると、１つ又は複数の画像から物体を推論するためにビデオ・データを分析する、別の例示のアプリケーションを示す図である。
【図4】少なくとも一実施例による、条件のセットが満たされたことに基づいて、１つ又は複数のニューラル・ネットワークを使用して追跡対象物体を再推論するためのプロセスの実例を示す図である。
【図5】少なくとも一実施例による、物体を検出し、物体を追跡し、新たに検出された物体に対して推論を実施し、追跡対象物体に対して、条件のセットが満たされたことに基づいて再推論を実施するために、１つ又は複数のニューラル・ネットワークを使用するプロセスの実例を示す図である。
【図6A】少なくとも一実施例による、推論及び／又は訓練論理を示す図である。
【図6B】少なくとも一実施例による、推論及び／又は訓練論理を示す図である。
【図7】少なくとも一実施例による、ニューラル・ネットワークの訓練及び導入を示す図である。
【図8】少なくとも一実施例による、例示的データ・センタ・システムを示す図である。
【図9A】少なくとも一実施例による、自律車両の実例を示す図である。
【図10】少なくとも一実施例による、コンピュータ・システムを示すブロック図である。
【図11】少なくとも一実施例による、コンピュータ・システムを示すブロック図である。
【図12】少なくとも一実施例による、コンピュータ・システムを示す図である。
【図13】少なくとも一実施例による、コンピュータ・システムを示す図である。
【図14A】少なくとも一実施例による、コンピュータ・システムを示す図である。
【図14B】少なくとも一実施例による、コンピュータ・システムを示す図である。
【図14C】少なくとも一実施例による、コンピュータ・システムを示す図である。
【図14D】少なくとも一実施例による、コンピュータ・システムを示す図である。
【図14E】少なくとも一実施例による、共有プログラミング・モデルを示す図である。
【図14F】少なくとも一実施例による、共有プログラミング・モデルを示す図である。
【図15】少なくとも一実施例による、例示的な集積回路及び関連するグラフィックス・プロセッサを示す図である。
【図16A】少なくとも一実施例による、例示的な集積回路及び関連グラフィックス・プロセッサを示す図である。
【図16B】少なくとも一実施例による、例示的な集積回路及び関連グラフィックス・プロセッサを示す図である。
【図17A】少なくとも一実施例による、追加の例示的グラフィックス・プロセッサ論理を示す図である。
【図17B】少なくとも一実施例による、追加の例示的グラフィックス・プロセッサ論理を示す図である。
【図18】少なくとも一実施例による、コンピュータ・システムを示す図である。
【図19A】少なくとも一実施例による、並列プロセッサを示す図である。
【図19B】少なくとも一実施例による、パーティション・ユニットを示す図である。
【図19C】少なくとも一実施例による、処理クラスタを示す図である。
【図19D】少なくとも一実施例による、グラフィックス・マルチプロセッサを示す図である。
【図20】少なくとも一実施例による、マルチ・グラフィックス・プロセッシング・ユニット（ＧＰＵ：ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）システムを示す図である。
【図21】少なくとも一実施例による、グラフィックス・プロセッサを示す図である。
【図22】少なくとも一実施例による、プロセッサ用のプロセッサ・マイクロ・アーキテクチャを示すブロック図である。
【図23】少なくとも一実施例による、深層学習アプリケーション・プロセッサを示す図である。
【図24】少なくとも一実施例による、例示的ニューロモーフィック・プロセッサを示すブロック図である。
【図25】１つ又は複数の実施例による、グラフィックス・プロセッサの少なくとも一部分を示す図である。
【図26】１つ又は複数の実施例による、グラフィックス・プロセッサの少なくとも一部分を示す図である。
【図27】１つ又は複数の実施例による、グラフィックス・プロセッサの少なくとも一部分を示す図である。
【図28】少なくとも一実施例による、グラフィックス・プロセッサのグラフィックス処理エンジンのブロック図である。
【図29】少なくとも一実施例による、グラフィックス・プロセッサ・コアの少なくとも一部分のブロック図である。
【図30A】少なくとも一実施例による、グラフィックス・プロセッサ・コアの処理要素のアレイを含むスレッド実行論理を示す図である。
【図30B】少なくとも一実施例による、グラフィックス・プロセッサ・コアの処理要素のアレイを含むスレッド実行論理を示す図である。
【図31】少なくとも一実施例による、並列処理ユニット（「ＰＰＵ」：ｐａｒａｌｌｅｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）を示す図である。
【図32】少なくとも一実施例による、汎用処理クラスタ（「ＧＰＣ」：ｇｅｎｅｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｃｌｕｓｔｅｒ）を示す図である。
【図33】少なくとも一実施例による、並列処理ユニット（「ＰＰＵ」）のメモリ・パーティション・ユニットを示す図である。
【図34】少なくとも一実施例による、ストリーミング・マルチプロセッサを示す図である。
【図35】少なくとも一実施例による、先進コンピューティング・パイプラインのための例示的データ・フロー図である。
【図36】少なくとも一実施例による、先進コンピューティング・パイプラインにおいて機械学習モデルを訓練、適応、インスタンス化、及び導入するための例示的システムのシステム図である。
【図37】少なくとも一実施例による、撮像データを処理するための先進コンピューティング・パイプライン３６１０Ａの実例を含む図である。
【図38A】少なくとも一実施例による、超音波デバイスをサポートする仮想器具の例示的データ・フロー図を含む図である。
【図38B】少なくとも一実施例による、ＣＴスキャナをサポートする仮想器具の例示的データ・フロー図を含む図である。
【図39A】少なくとも一実施例による、機械学習モデルを訓練するためのプロセスのデータ・フロー図である。
【図39B】少なくとも一実施例による、事前訓練済みアノテーション・モデルを用いてアノテーション・ツールを拡張するためのクライアント・サーバ・アーキテクチャの実例を示す図である。
【発明を実施するための形態】
【0005】
本明細書に記載される技法は、追跡対象物体に対して実施される、画像（たとえば、ビデオのフレーム）からの推論の回数を低減すると同時に、その追跡対象物体の分類精度を向上させる方法を提供する。通常、物体検出又は分類ネットワークは、画像から物体を推論し、物体を追跡し、分類を精緻化するために再推論を実施するように訓練される。ネットワークは通常、追跡対象物体がカメラの視界内でキャプチャされている限り、所定の時間の長さ（たとえば、毎フレーム、毎２秒、又は毎５フレーム）にわたって追跡対象物体に対して繰り返し推論を実施するように設定される。しかし、このようなネットワークが同じ追跡対象物体を長期にわたって継続的に再推論する場合、リソースを束縛し、かなり非効率的になる可能性がある。換言すると、フレームごとに追跡対象物体ごとに分類を精緻化するには、計算リソース（たとえば、グラフィックス・プロセッシング・ユニット（ＧＰＵ））から多くの計算サイクルを必要とする。
【0006】
少なくとも一実施例では、プロセッサは、物体検出／分類ネットワークが追跡対象物体を再推論する回数を低減するようにアルゴリズムを実行する、１つ又は複数の回路を含む。一実例では、ネットワークは、追跡対象物体が、その物体のエリアのサイズに関連するいくつかの基準を満たす限り、物体に対して再推論するだけである（たとえば、再推論は、物体がカメラの視界により近くなった場合にのみ実施され、カメラから遠ざかるように移動する物体はスキップされる）。たとえば、１つの基準は、再推論される前に、追跡対象物体のサイズが所定量（たとえば、２０％）増大したと判定することを含むことができ、サイズの増大は、物体がカメラに近づいたことを示す指標である。この所定量は、推論の間、計算リソースの可用性（たとえば、ＧＰＵ使用率）に基づいて動的に調整することができる。所定量は、追跡される物体の数、画像特性、及び／又は物体の光強度などの他の要因に基づいて調整することもできる。追跡対象物体がカメラに近づいて再推論されると、追跡対象物体からの追加的な特徴が使用されるため、追跡対象物体の分類の精度も向上する。
【0007】
本明細書に記載される技法は、分類精度を向上させつつ、追跡対象物体の不必要な再推論を回避することによって、コンピュータ・リソースの使用量を削減する方法を拡張する。こうすることで、ＧＰＵリソースがより効率的に使用され、レイテンシも改善されるため、複数のストリームがよりスムーズに実行される。本明細書に記載される技法は主に物体検出及び画像分類ネットワークに適用されるが、本技法は他の分野（たとえば、音声認識）にも適用可能である。
【0008】
ＧＰＵリソースが効果的且つ効率的に使用されていることも保証しながら、分類の精度を向上させることを支援するために、本明細書に記載される技法は、追跡対象物体が、たとえばビデオ中の複数のフレームを分析することによって、カメラに近づいてきたと判定された場合、追跡対象物体に対して再推論を実施する。こうすることで、追跡対象物体がカメラから遠ざかっている場合、その再推論を回避することができる（追跡対象物体の特徴が減少するため、追跡対象物体に対して再度推論を実施しても分類結果が改善されない可能性があるため）。具体的には、例示的な実施例では、追跡対象物体が車であり、その幅及び／又は高さのサイズが２０％（たとえば、調整可能な閾値）増大した場合、その物体はカメラに近づいた可能性が高い。本明細書に記載の技法は、カメラによってキャプチャされるそれぞれ単一の物体を再推論するのではなく、条件のセット（たとえば、物体のサイズに関連する基準）が満たされたことに基づいて、物体のサブセットを選択的に再推論する。条件のセットは、複数の要因に基づいて動的に調整することができる（これは、図１～図５に関して以下で詳細に説明する）。
【0009】
図１は、１つ又は複数のニューラル・ネットワーク１１０、１１８（本明細書ではニューラル・ネットワーク・モデル又はモデルとも呼ぶ）が、１つ又は複数の画像１０８（本明細書では画像とも呼ぶ）から物体を推論し、物体を追跡し、追跡対象物体１１４に対して二次推論を実施するかどうかを判定するために使用される、例示のフレームワーク１００を示す。少なくとも一実施例では、フレームワーク１００は、ネットワーク１０４を介して得られた画像１０８を分類する（たとえば、画像分類を実施する）ように構成される１つ又は複数のグラフィックス・プロセッシング・ユニット（ＧＰＵ）１０６又は他の並列処理ユニット（ＰＰＵ）を含む。少なくとも一実施例では、ＧＰＵ１０６は、１つ又は複数のニューラル・ネットワーク・モデル１１０、１１８を使用して、まず画像１０８から物体を分類し、次いで物体の分類をさらに精緻化する。たとえば、図１に示されるように、ＧＰＵ１０６は、第１のニューラル・ネットワーク・モデル１１０を使用して、画像１０８から物体を推論する（たとえば、一次推論を実施する）。ＧＰＵ１０６は次に、推論された物体（本明細書では推論された追跡対象物体１１２とも呼ばれる）に追跡識別子を割り当てることができる。ＧＰＵ１０６は次に、推論された追跡対象物体１１２に対して二次推論を実施するかどうかを判定すること１１４ができる。推論された追跡対象物体１１２に対して二次推論を実施するかどうかの判定は、満たされるべき条件のセットに基づいてもよい（たとえば、新たに検出された物体、又は追跡対象物体のサイズの変化が、常に二次推論のために選択されてもよい）。条件のセットは、以下の少なくとも１つに基づいて動的に調整することができる：ＧＰＵ使用率、画像のセットからの１つ又は複数の関心領域からの情報、追跡される物体の数、画像特性、画像強度、及び追跡対象物体の光強度。条件のセットが満たされると、ＧＰＵ１０６は、推論された追跡対象物体１１２の１つ又は複数の物体を再推論するように決定することができる。ＧＰＵ１０６は、第２のニューラル・ネットワーク・モデル１１８を使用して、分類１２０を精緻化するように物体を再推論し、再推論からの結果を記憶することができる。
【0010】
ＧＰＵ１０６は、１つ又は複数のグラフィックス処理システムを含むことができる。少なくとも一実施例では、ＧＰＵ１０６は、モデル１１０、１１８などの様々なモデル及び／又はニューラル・ネットワークを実装して訓練する、１つ又は複数のプロセッサを含む。モデル１１０、１１８は、入力データの１つ又は複数の特徴が属する１つ又は複数のカテゴリを識別する分類モデルであってもよい。いくつかの実施例では、モデル１１０、１１８はマルチラベル分類モデルである。モデル１１０、１１８はまた、１つ又は複数のニューラル・ネットワークを含んでもよい。少なくとも一実施例では、モデル１１０、１１８は、１つ又は複数の畳み込みニューラル・ネットワーク（ＣＮＮ：ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）アーキテクチャを含む。いくつかの実施例では、モデル１１０、１１８はＵ－ｎｅｔである。少なくとも一実施例では、モデル１１０、１１８は、入力データに基づいて、入力データの１つ又は複数の態様を分類する、１つ又は複数のニューラル・ネットワークを含む。モデル１１０、１１８は、画像データの１つ又は複数の特徴を分類する１つ又は複数のニューラル・ネットワークを含むことができる。少なくとも一実施例では、モデル１１０、１１８は、様々なニューラル・ネットワーク、画像特徴検出、及び埋め込み生成コンポーネントを含む。
【0011】
少なくとも一実施例では、画像１０８はネットワーク１０４を介してＧＰＵ１０６によって取得され、画像１０８はカメラ１０２によって用意される。少なくとも一実施例では、ネットワーク１０４は、ＧＰＵ１０６と１つ又は複数の他のシステムとの間の通信の任意の適切な経路を表す。ネットワーク１０４は、インターネット、ローカル・エリア・ネットワーク、ワイド・エリア・ネットワーク、及び／又はそれらの変形などの１つ又は複数のネットワークを含むことができる。異なるタイプのネットワーク１０４については、以下の図１８に関して説明する。
【0012】
図１に示されるように、画像１０８は、画像データ及び関連付けられるテキスト・データを含むことができる。いくつかの実施例では、画像１０８は、二次元（２Ｄ）、三次元（３Ｄ）、及び／又は四次元（４Ｄ）画像を含む。画像１０８は、図１には描かれていない外部のサーバ又はストレージ・デバイスから取得した画像を含むことがある。画像１０８は医用画像を含むこともある。少なくとも一実施例では、画像１０８は、カメラ１０２、スキャナ、又は画像記録デバイスによってキャプチャされるデータを含む。図１には１台のカメラ１０２しか図示されていないが、ＧＰＵ１０６に画像１０８を与えるために使用されるカメラは複数台あってもよい。少なくとも一実施例では、画像１０８は、ビデオ、オーディオ、及び／又は音声データを含む。少なくとも一実施例では、カメラ１０２は、４Ｋ解像度の画像１０８を含む１つ又は複数のフレームを提供する。いくつかの実施例では、画像１０８は、環境及び近隣を走行する車、トラック、ロボット、半自律車両、又は自律車両に取り付けられたカメラ１０２によってキャプチャされる。カメラ１０２によってキャプチャされる画像１０８は、画像内の物体が他の車、トラック、樹木、歩行者、交通標識などを含み得る環境の画像を含むことがある。
【0013】
いくつかの実施例では、ＧＰＵ１０６は、ニューラル・ネットワーク・モデル１１０を使用して画像１０８から物体を推論（たとえば、分類）する前に、まず画像１０８を異なるフォーマットに変換することができる。一実例では、画像１０８は、ビデオ・カメラによってキャプチャされた４Ｋ解像度の生のビデオ・フォーマットであり得る。ＧＰＵ１０６は、処理前に画像１０８をＩ４２０、ＵＹＶＹ、ＮＶ１２、又はＧＲＡＹ８に変換することができる。すなわち、画像１０８は異なる画像フォーマットであってもよく、ＧＰＵ１０６は、画像１０８がニューラル・ネットワーク・モデル１１０によって推論される前に、画像１０８がどのフォーマットに変換される必要があるかを判定することができる。一実施例では、フレームワーク１００は、検出器（図１には描かれていないが、図２～図３に関して以下でより詳細に説明する）を用いて画像１０８から物体を検出するＧＰＵ１０６を含む。検出器は、画像全体に対して物体検出を実行することによって、画像１０８から物理的な物体（たとえば、車、トラック、樹木など）を検出し、物体を識別して、物体の周囲にバウンディング・ボックス（ＢＢＯＸ：ｂｏｕｎｄｉｎｇ ｂｏｘ）（点、幅、及び高さによって定義することができる）を関連付けるために使用することができる。
【0014】
一実施例では、ＧＰＵ１０６は、追跡器（図１には描かれていないが、図２～図３に関して以下でより詳細に説明する）を用いて検出された物体を追跡する。一実施例では、追跡器は、検出された物体に追跡識別子（たとえば、追跡ＩＤ又は物体ＩＤ）を割り当てる。たとえば、３０個のカメラ・ストリームが入力として使用され、一次推論のバッチ・サイズが３０であり、各ストリームが５個の物体を検出すると想定される場合、全体として１５０個の物体が追跡目的で追跡器に適用され、追跡器は各物体に対して一意の追跡ＩＤを生成することになる。一実施例では、追跡対象物体は、物体の幅及び／又は高さなどの情報を含むＢＢＯＸ情報にも関連付けられている。
【0015】
一実施例では、ＧＰＵ１０６は、ニューラル・ネットワーク・モデル１１０を使用して、画像１０８から検出された物体を推論する。ニューラル・ネットワーク・モデル１１０は、検出器によって識別されたＢＢＯＸに対して物体認識を実行することによって、画像１０８から物体を分類することができる。換言すると、ニューラル・ネットワーク・モデルはＢＢＯＸのクラス・ラベルを提供することができる。一実例では、一次検出器が物体を検出し、追跡器がＢＢＯＸ内の物体に追跡ＩＤを割り当てる（物体が新しい場合は新しい追跡ＩＤを割り当てる、又は物体が以前に推論されたことがある場合は以前に発行された追跡ＩＤを割り当てる）、そしてニューラル・ネットワーク・モデル１１０がＢＢＯＸ内の物体を初めて推論することができる（たとえば、一次推論、又は最初の推論）。ニューラル・ネットワーク・モデル１１０は次に、たとえば車であるとして、ＢＢＯＸ内の物体の初期的又は一般的な分類を行うことができる。ニューラル・ネットワーク・モデル１１０が一次推論を完了すると、物体ＩＤ（たとえば、追跡ＩＤ）及び車に関連付けられるＢＢＯＸ情報がリストに記憶される。一実施例では、物体ＩＤ及びＢＢＯＸ情報は、テーブル又はインデックスを使用して記憶することもできる。物体ＩＤ及びＢＢＯＸ情報は、ストレージ・デバイス、バッファ、キャッシュ、又はデータを記憶するように構成された任意のストレージ媒体を用いて記憶することができる。リストは、すべての推論された追跡対象物体１１２を含むことができる。推論された追跡対象物体１１２のリストは、それぞれの追跡ＩＤ及びＢＢＯＸ情報を有する推論された物体（たとえば、輸送ボックス、車、又は救急車）を含むことができる。
【0016】
一実施例では、ＧＰＵ１０６は、以前に推論された追跡対象物体１１２（たとえば、以前に検出器によって決定された物体を含むＢＢＯＸ）に対して二次推論を実施する（たとえば、再推論を実施する）かどうかの判定１１４を行う。二次推論は、追跡器の出力に依存したものとなり得る。一実施例では、一次推論は、ＢＢＯＸ内の物体を検出するために使用され、（新しい追跡ＩＤを割り当てる、又は以前に発行された追跡ＩＤをＢＢＯＸ内の物体に割り当てることによって）物体を識別するために追跡器を使用し、二次推論は、分類１２０を精緻化するために（たとえば、限定はしないが、車のメーカー、モデル、クラス、特徴、色などの情報を識別するために）画像１０８から検出器によって検出された車の物体を含むＢＢＯＸのサブセットに対して実施されてもよい。二次推論は常に、新しく検出された物体に対して実行され、二次推論によって以前に推論された物体に対してさらなる分類が行われる。二次推論から精緻化された分類は、次いで追跡ＩＤ及び再推論の結果のマッピングを更新することにより、リスト、テーブル、又はインデックスを使用して記憶することができる。検出器は、ビデオ・フィード／ストリームから得られる追加的な画像を受信することができる。一実施例では、ＧＰＵ１０６は、ニューラル・ネットワーク・モデル１１８を使用して、ビデオ・フィード／ストリームからのすべてのフレームに対して二次推論を実施し、前のフレームで検出された車（たとえば、車を含むＢＢＯＸ）は、現在のフレームにも存在することになる。ＧＰＵ１０６による、車（たとえば、車を含むＢＢＯＸ）を再推論するかどうかの決定は、車の追跡ＩＤ、及び／又は現在のフレームにおける車のサイズと前のフレームにおける車のサイズとの比較に少なくとも部分的に基づいて行われ得る。
【0017】
上述したように、画像１０８及び／又は追加的な画像がＧＰＵ１０６によって受信されることがあり、これらの追加的な画像は、以前に推論された同じ物体がこれらの追加的な画像にもあるかどうかを検出するために分析することができる。現在のフレームで検出された物体が、以前に推論された追跡対象物体１１２のリストにも存在する場合、ＧＰＵ１０６は、同じ物体に対して二次推論（たとえば、再推論を実施する／分類パラメータを精緻化する）を実施するかどうかの判定１１４を行うことができる。一実施例では、ＧＰＵ１０６は、追加的な画像で検出された同じ物体に関連付けられる現在のＢＢＯＸ情報を、物体に対して一次推論が実施されたときに以前に決定されたＢＢＯＸ情報と比較することができる。ＢＢＯＸ情報の変化は、物体が最初に推論されたときと、追加的な画像において物体が検出されたときとで、物体のサイズが変化したかどうかをシステムに示すことができる。
【0018】
一実施例では、ＧＰＵ１０６は、命令のセット（たとえば、１つ又は複数のアルゴリズム）を実行して、条件のセットが満たされたことに基づいて、二次推論を実施するかどうかを判定すること１１４ができる。一実例として、条件の１つは、物体のサイズをチェックし、閾値と比較することを含む。追加的な画像で検出された物体のサイズが２０％増大した場合（たとえば、物体が最初に推論（たとえば、一次推論）されたときに物体について計算されたＢＢＯＸの以前の幅及び／又は高さが、現在のフレーム中の物体で計算されたＢＢＯＸの幅及び／又は高さよりも２０％以上小さい場合）、物体は、その分類１２０を精緻化するために再推論される。
【0019】
一実施例では、閾値は、ユーザによって設定可能であるか、又はシステムによって所定の閾値として設定される。一実例として、閾値は１０％、１５％、２５％などの異なる閾値に調整されてもよい。物体のサイズ（幅若しくは高さ自体のいずれか、又は幅と高さの両方）が増大した場合、その物体がカメラ１０２の視野に近づいた可能性がある。物体がカメラ１０２の視野に近づいた場合、この物体を再推論する特徴がより多く存在する可能性があり、より正確な分類結果につながる。それとは対照的に、物体のサイズが小さくなった場合、追加的な画像に見られる物体は、これは物体がカメラ１０２から遠ざかっていることの指標となり得るため、再推論されない。こうすることで、システムは、同じ物体でも物体が小さくなれば、それを再推論する必要を回避する。物体がカメラ１０２から遠ざかると、特徴が失われる可能性があり、最終的には推論精度に影響が生じ得る。二次推論を実施するかどうかを判定すること１１４により、ＧＰＵ１０６は、不必要な再推論を回避するように、上記の基準に基づいて物体を選択することができ、これにより、ＧＰＵリソースが効率的に使用され、レイテンシがさらに改善され、複数のストリームがより円滑に実行されるようになる。
【0020】
加えて、ＧＰＵ１０６は、動的に調整され得る条件のセットに基づいて、二次推論を実施するかどうかの判定１１４を実行する。一実施例では、物体サイズ閾値は所定の範囲（たとえば、１０％～３０％）とすることができ、デフォルトは２０％に設定される。一実例として、物体サイズが最初に２０％に設定されている場合、閾値はＧＰＵ１０６の使用率に基づいて動的に調整することができる。一実施例では、ＧＰＵ１０６の使用率が８０％～９０％（たとえば、第１の範囲）である場合、閾値は３０％に調整する（又は３０％まで増大させる）ことができる。別の実施例では、ＧＰＵ１０６の使用率が７０％～８０％（たとえば、第２の範囲）である場合、閾値は（適用可能であれば）２０％で維持されてもよいし、（適用可能であれば）２０％に調節されてもよい。さらに別の実施例では、ＧＰＵ１０６の使用率が７０％未満、又は１％～７０％（たとえば、第３の範囲）である場合、閾値は１０％に調節する（又は１０％まで減少させる）ことができる。一実施例では、ＧＰＵ１０６の使用率が、残りが０％となる、その最大使用率に達した場合、ＧＰＵ１０６は、ＧＰＵ使用率が正常に戻る（たとえば、推論を実施する能力を持つ）まで、物体に対して再推論を実施できないと判断することができる。このようにして、ＧＰＵ１０６リソースの可用性に基づいて効率的な性能を達成するために、その場判断（たとえば、動的な調節）を用いることができ、また、それに応じて分類精度を向上させることもできる。いくつかの実施例では、推論のために新しい物体に優先順位が与えられ、新しいビデオ・フレームが来るまで、物体の再推論は延期することができる。
【0021】
一実施例では、ＧＰＵ１０６は、条件のセットを満たした後、推論された追跡対象物体１１２から物体が再推論されること１１６を決定する。たとえば、図１に示されるように、ＧＰＵ１０６によって追加的な画像が受信され、追加的な画像から車が検出される。この同じ車は以前に推論されており、推論された追跡対象物体１１２のリストの一部である。これらの追加的な画像が、車がカメラ１０２の視野に近づき、現在は車が以前に推論されたときよりも２０％大きくなった（つまり近づいた）ことを示す場合、ＧＰＵは推論される物体１１６として車を選択することができる。いくつかの実施例では、ＧＰＵ１０６によって受信されたこれらの追加的な画像において、輸送ボックス及び救急車も検出されるが、これらの物体は両方とも、閾値２０％のサイズ変化を超えない（たとえば、おそらく救急車はカメラ１０２から遠ざかっているため、救急車は視界においてカメラに近づかない）。上述したように、閾値２０％のサイズ変化は、複数の要因（たとえば、ＧＰＵ使用率、画像特性、光強度など）に基づいて動的に調整することができる。条件のセットが満たされないとＧＰＵ１０６が判定した場合、ＧＰＵは、利用可能であれば分類結果を、追跡ＩＤと分類結果との間のマッピングを含むリスト、テーブル、又はインデックスに記憶するだけでよい。
【0022】
一実施例では、ＧＰＵ１０６は、第２のニューラル・ネットワーク・モデル１１８を使用して、再推論される物体１１６に対して推論を実施する。一実例として、車は再推論される物体１１６であり、ＧＰＵ１０６は、第２のニューラル・ネットワーク・モデル１１８を使用して、車の分類１２０（たとえば、分類パラメータ）を精緻化する。第２のニューラル・ネットワーク・モデル１１２を使用した結果として、車がグレー色の車であることが示される場合がある。いくつかの実施例では、第２のニューラル・ネットワーク・モデル１１８を使用して車を再推論した後に、分類１２０を精緻化する他の結果（たとえば、車のタイプ又は車のモデル）が生成される。いくつかの実施例では、ＧＰＵ１０６は、再推論される物体１１６を再推論するために、異なるニューラル・ネットワーク・モデル１１８ではなく、第１のニューラル・ネットワーク・モデル１１０を使用する。
【0023】
図２は、少なくとも一実施例による、コンピューティング・デバイスによって実行されると、１つ又は複数の画像から物体を推論するためにビデオ・データを分析する、例示のアプリケーション２００を示す。少なくとも一実施例では、アプリケーション２００の一部又はすべて（或いは本明細書に記載の任意の他のプロセス、又はその変形及び／若しくはその組合せ）は、ソフトウェア開発キット（ＳＤＫ：ｓｏｆｔｗａｒｅ ｄｅｖｅｌｏｐｍｅｎｔ ｋｉｔ）の一部として作成され、コンピュータ実行可能命令で構成された１つ又は複数のコンピュータ・システムの制御下で実施されることが可能であり、１つ又は複数のプロセッサ上で、ハードウェア、ソフトウェア、又はそれらの組合せによって集合的に実行されるコード（たとえば、コンピュータ実行可能命令、１つ若しくは複数のコンピュータ・プログラム、又は１つ若しくは複数のアプリケーション）として実装される。少なくとも一実施例では、コードは、１つ又は複数のプロセッサによって実行可能な複数のコンピュータ読取り可能命令を備えるコンピュータ・プログラムの形で、コンピュータ読取り可能ストレージ媒体に記憶される。少なくとも一実施例では、コンピュータ読取り可能ストレージ媒体は、非一時的なコンピュータ読取り可能媒体である。少なくとも一実施例では、アプリケーション２００を実行するために使用可能な少なくともいくつかのコンピュータ読取り可能命令は、一時的な信号（たとえば、伝播する一時的な電気又は電磁伝送）のみを使用して記憶されない。少なくとも一実施例では、非一時的なコンピュータ読取り可能媒体は、必ずしも一時的な信号の送受信機内に非一時的なデータ・ストレージ回路（たとえば、バッファ、キャッシュ、及びキュー）を含むとは限らない。少なくとも一実施例では、アプリケーション２００は、少なくとも部分的に、本開示の他の箇所で説明されるようなコンピュータ・システム上で実行される。少なくとも一実施例では、アプリケーション２００は、１つ又は複数の回路によって実行され、１つ又は複数の画像内の物体を識別し、条件のセットが満たされたことに少なくとも部分的に基づいて、識別された物体に対して二次推論を実施するかどうかを判定する。
【0024】
少なくとも一実施例では、アプリケーション２００は、低次アプリケーション・プログラミング・インターフェース（ＡＰＩ：Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍｍｉｎｇ Ｉｎｔｅｒｆａｃｅ）をカプセル化してパイプラインを形成する一連のプラグインを含む。アプリケーション２００は、カメラ、スキャナ、エンコードされたファイル入力など様々なソースからの入力を受け付けることができる。少なくとも一実施例では、アプリケーション２００はマルチストリーム／ソース機能をサポートする。少なくとも一実施例では、アプリケーション２００は、人工知能（ＡＩ：Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）ベースのマルチセンサ処理、ビデオ、及び画像理解のための完全なストリーミング分析ツールキットを提供する。一実施例では、アプリケーション２００は、ビデオ及びセンサ・データを分析するエンドツーエンドのＡＩ搭載アプリケーションを構築するために使用される。
【0025】
オーディオ若しくはビデオ、又はその両方を扱うアプリケーションを簡単に書けるように設計されたストリーミング・メディア・アプリケーションを作成するためのフレームワークとして、少なくとも一実施例では、アプリケーションは、１つのフォーマットで２００ファイルを読み込んで処理し、それを別のフォーマットで書き出す。少なくとも一実施例では、アプリケーション２００は、オーディオ及びビデオに加えて、多くの種類のデータ・フローを処理する。少なくとも一実施例では、アプリケーション２００は、様々なコーデック及び他の機能を提供するプラグインを含む。少なくとも一実施例では、プラグインはリンクされ、パイプラインとして並べられる。少なくとも一実施例では、パイプライン設計は、ビデオ・エディタ、トランスコーダ、ストリーミング・メディア放送局、及びメディア・プレーヤなどのマルチメディア・アプリケーションを作成するベースとして機能する。
【0026】
少なくとも一実施例では、アプリケーション２００の少なくとも一部を実行するシステムは、カメラ２１０から取得された画像のセットから１つ又は複数の追跡対象物体を推論することからデータを取得し、取得されたデータに基づいて１つ又は複数の追跡対象物体を再推論するかどうかを判定する、実行可能コードを含む。少なくとも一実施例では、画像のセットは、環境又は近隣を横断する車に取り付けられたカメラによって得られた画像を含む。少なくとも一実施例では、画像は、１つ又は複数のカメラ、撮像デバイス、又はスキャナから得られる。少なくとも一実施例では、画像データは、．ｔｉｆ、．ｊｐｇ、．ｐｎｇ、．ｇｉｆなどのフォーマットの画像を含む。
【0027】
少なくとも一実施例では、カメラ２１０はアプリケーション２００にビデオ信号を与え、アプリケーション２００はビデオ入力を受信する２１２。いくつかの実施例では、アプリケーション２００は、図２に示されるように、単一のカメラ２１０からだけでなく、複数のカメラからのビデオ信号を受信する。少なくとも一実施例では、アプリケーション２００は、ビデオ信号を個々のビデオ・フレームに分解する。少なくとも一実施例では、ビデオ・フレームは物体の複数の画像を含む。このアプリケーションは、オープン・ソース・ソフトウェア（生の）ビデオ・フォーマットと、Ｉ４２０、ＵＹＶＹ、ＮＶ１２、ＧＲＡＹ８入出力フォーマットとの間のビデオ変換もサポートすることがある。少なくとも一実施例では、ビデオ・フォーマットの変換２１４は、ビデオの回転操作を含む。
【0028】
少なくとも一実施例では、一次推論２１６（画像から物体を推論するために１つ又は複数のニューラル・ネットワーク・モデルを使用する）は、ビデオ・フレーム内で識別された物体を分類（たとえば、推論）するためにビデオ・フォーマットが変換された後の出力を使用する。少なくとも一実施例では、一次推論２１６は、畳み込みニューラル・ネットワーク・モデルを使用して、物体の特定のクラスを検出する。一実例として、一次推論２１６は、ビデオ・フレームから物体を車、輸送ボックス、又は救急車（たとえば、ある車両が近隣を横断するときに環境内で典型的に見られる物体）であると推論する。
【0029】
一次推論２１６の後、物体は記録保持のためにインデックス付けすることができる（たとえば、物体２１８をインデックス付けする）。つまり、物体にインデックスを付け、一意な識別子（ＩＤ）に関連付けることができる。少なくとも一実施例では、一意なＩＤが物体インデックスに追加される。一意なＩＤは、物体に遭遇したことがあるかどうか、及び／又は以前に推論されたかどうか、並びにその物体が再推論の候補であるかどうかを判定する際に、システムに情報を提供することができる。少なくとも一実施例では、システムは、検出された物体をそれぞれの一意なＩＤを用いて追跡する。いくつかの実施例では、物体のサイズを含むＢＢＯＸ情報も、追跡対象物体に関連付けられ、インデックス付けされる。物体のサイズは、物体の幅及び／又は高さに関連する情報を含むことができる。
【0030】
少なくとも一実施例では、一次推論２１６が画像から物体を推論し、さらに推論された物体に関するデータをインデックス付けした後、システムは、一次推論２１６を用いて以前に推論された物体に対して二次推論２２０を実施するかどうかを判定する。二次推論２２０は精緻化した分類を提供することができる。たとえば、一次推論２１６は物体を車両であると推論し、二次推論２２０はその車両を特定のタイプの車両であると推論することができる。少なくとも一実施例では、一次推論（物体検出）２１６によってすでに識別され推論された、後続のビデオ・フレームで遭遇する物体は、そのまま二次推論（分類）２２０に進み、条件のセットが満たされれば、物体の精緻化された分類を決定する。すなわち、システムによって実行されるアプリケーション２００は、二次推論２２０を用いて物体を再推論するかどうかの判定を直接行うことができる。少なくとも一実施例では、二次推論２２０は、分類ニューラル・ネットワーク・モデルを使用して、車の色、メーカー、及び／又はモデルを決定することを含む。一実施例では、アプリケーション２００を実行するシステムは、条件のセットが満たされたことに基づいて、物体を再推論するかどうかを判定する。条件のセットは、物体のサイズ閾値を含むことができる。たとえば、システムは、物体のサイズが、あるフレームから次のフレームにかけて変化し、所定の閾値を超えたかどうかをチェックすることができる。一実施例では、条件のセットを動的に調整することができる。たとえば、以下の少なくとも１つに基づいて、所定の閾値を増大させる、同じまま維持する、又は減少させることができる：ＧＰＵ利用率、画像特性、物体に関連する光強度、及び画像強度。一実例では、ＧＰＵ使用率は、ＧＰＵが現在どの程度使用されているかを示す値（たとえば、７０％、８５％）を含む。一実例では、画像特性は、物体を構成する画像のコントラスト、色、解像度、スケール、及び／又は色調を含む。一実例では、物体に関連付けられる光強度は、物体のピクセルが十分な明るさを持っているかどうかに対応する。いくつかの実施例では、画像強度は、すべてのピクセル強度を合計することによって画像の合計強度を測定する。画像強度は、画像内のすべてのピクセルを測定する場合もあれば、物体に関連しているピクセルのみを測定する場合もある。
【0031】
少なくとも一実施例では、推論された追跡対象物体が二次推論２２０によって再推論された後、物体を含むビデオ・フレームは、あるフォーマットから別のフォーマットに変換され、スケーリングされ、及び／又は回転され得る２２２。たとえば、ビデオ・フレームは、まだ生のビデオ・フォーマットである可能性があり、アプリケーション２００は、システムによって実行されている間に、それを異なるフォーマット（たとえば、ＪＰＥＧ画像）に変換することがある。一実施例では、変換後、画像を（たとえば、ディスプレイ・デバイスなどに）表示することができる。オンスクリーン・ディスプレイ２２４は、物体を強調表示できるように、また画像にテキストをオーバレイすることができるように構成され得る。一実施例では、カメラ・ストリームが互いにオーバレイされるディスプレイ・デバイス上でビデオをレンダリングすること２２６ができる。一実施例では、ビデオがレンダリングされ２２６、それによりシステムが情報を処理してディスプレイ・デバイスに表示される画像を作成する。
【0032】
図３は、少なくとも一実施例による、コンピューティング・デバイスによって実行されると、１つ又は複数の画像から物体を推論するためにビデオ・データを分析する、例示のアプリケーション３００を示す。少なくとも一実施例では、アプリケーション３００の一部又はすべて（或いは本明細書に記載の任意の他のプロセス、又はその変形及び／若しくはその組合せ）は、コンピュータ実行可能命令で構成された１つ又は複数のコンピュータ・システムの制御下で実行され、１つ又は複数のプロセッサ上で、ハードウェア、ソフトウェア、又はそれらの組合せによって集合的に実行されるコード（たとえば、コンピュータ実行可能命令、１つ若しくは複数のコンピュータ・プログラム、又は１つ若しくは複数のアプリケーション）として実装される。少なくとも一実施例では、コードは、１つ又は複数のプロセッサによって実行可能な複数のコンピュータ読取り可能命令を備えるコンピュータ・プログラムの形で、コンピュータ読取り可能ストレージ媒体に記憶される。少なくとも一実施例では、コンピュータ読取り可能ストレージ媒体は、非一時的なコンピュータ読取り可能媒体である。少なくとも一実施例では、アプリケーション３００を実行するために使用可能な少なくともいくつかのコンピュータ読取り可能命令は、一時的な信号（たとえば、伝播する一時的な電気又は電磁伝送）のみを使用して記憶されない。少なくとも一実施例では、非一時的なコンピュータ読取り可能媒体は、必ずしも一時的な信号の送受信機内に非一時的なデータ・ストレージ回路（たとえば、バッファ、キャッシュ、及びキュー）を含むとは限らない。少なくとも一実施例では、アプリケーション２００は、少なくとも部分的に、本開示の他の箇所で説明されるようなコンピュータ・システム上で実行される。少なくとも一実施例では、アプリケーション３００は、１つ又は複数の回路によって実行され、１つ又は複数の画像内の物体を識別し、条件のセットが満たされたことに少なくとも部分的に基づいて、識別された物体に対して二次推論を実施するかどうかを判定する。
【0033】
少なくとも一実施例では、アプリケーション３００の少なくとも一部を実行するシステムは、１つ又は複数のカメラ３０２から取得された画像のセットから、１つ又は複数の推論された追跡対象物体からのデータを使用し、推論された追跡対象物体を再推論するかどうかを判定する実行可能コードを含む。上述したように、画像のセットは、環境内を横断する車によって得られた画像などを含み得る。いくつかの実施例では、画像のセットは、１つ又は複数の医用画像スキャナから得られた医用画像を含む。
【0034】
アプリケーション３００の上部のラベルは、画像に対して一次推論を実施するために使用できるステップ（たとえば、一次検出器、物体追跡器）を示す。少なくとも一実施例では、１つ又は複数の回路を含むプロセッサがアプリケーション３００を実行し、１つ又は複数の訓練されたニューラル・ネットワークを使用して物体を分類する。少なくとも一実施例では、ＧＰＵ（ここでは図３に描かれていないが、図１で記載されている）は、１つ又は複数の訓練されたニューラル・ネットワークを用いて分類されるべきデータ（たとえば、画像）を取得する。
【0035】
少なくとも一実施例では、カメラ３０２は、ビデオ・データをビデオ・デコーダ（たとえば、デコーダ１～Ｎ３０４）に提供する。少なくとも一実施例では、デコーダ１～Ｎ ３０４は、ビデオ・フレーム・データを生のメディア・フォーマットにデコードする。少なくとも一実施例では、デコーダ１～Ｎ ３０４の各デコーダは、そのデータにストリームＩＤを割り当てる。少なくとも一実施例では、デコーダ１～Ｎ ３０４は、次いでその出力を、データ・ストリームを組み合わせるマルチプレクサ３０６に送る。少なくとも一実施例では、マルチプレクサ３０６は、複数の入力ソースからフレームのバッチを構築する。少なくとも一実施例では、マルチプレクサ３０６は、バッチが埋まるとバッチを下流に押し出す。少なくとも一実施例では、マルチプレクサ３０６は、バッチ形成のタイムアウトに達するとバッチを下流に押し出す。少なくとも一実施例では、タイムアウトは、新しいバッチ用の第１のバッファが収集されると実行を開始する。少なくとも一実施例では、マルチプレクサ３０６は、ラウンドロビン・アルゴリズムを使用して、ソースからフレームを収集する。少なくとも一実施例では、マルチプレクサ３０６は、（すべてのソースがライブであり、それらのフレーム・レートがすべて同じである場合）各ソースからバッチごとのフレームの平均を収集する。少なくとも一実施例では、バッチあたりのフレーム数は、ソースのフレーム・レートに応じて、ソースごとに異なる。少なくとも一実施例では、マルチプレクサ３０６は、幅及び高さの性質に関連付けられる単一の解像度（たとえば、バッチ内のすべてのフレームが同じ解像度を有する）を出力する。少なくとも一実施例では、マルチプレクサ３０６は、すべての入力フレームをこの解像度にスケーリングする。
【0036】
少なくとも一実施例では、組み合わされたデータは、次いで、フレームから１つ又は複数の物体を検出し、車として決定する一次検出器（車検出３０８）に渡される。少なくとも一実施例では、次いで、車物体は、物体追跡器によってインデックス付けされ３１２、一意の追跡ＩＤ又は物体ＩＤが割り当てられ、（追跡ＩＤと推論された結果とを関連付けるマッピングを用いて）リストに記憶される。少なくとも一実施例では、物体のＢＢＯＸ属性（高さ及び／又は幅）が記録される。少なくとも一実施例では、ＢＢＯＸ属性の正の増加は、物体のサイズの増大を示す。少なくとも一実施例では、物体のサイズの増大は、物体がカメラ３０２に近づいたことを示す。少なくとも一実施例では、インデックス付けの後、条件のセットが満たされれば、分類３１４が車に対して実施される。車の分類は、１つ又は複数の分類ネットワークを用いて、車の色３１６、モデル３１８、及びメーカー３２０に関して精緻化することができる。システムが二次分類３１４を実施する前に、条件のセットがまず満たされる（たとえば、物体のサイズが所定の値を超えたかどうかをチェックする）必要があるかも知れない。条件のセットは、複数の要因（たとえば、ＧＰＵ使用率）に基づいてシステムによって動的に調整される場合がある。少なくとも一実施例では、ＢＢＯＸ属性が十分に増加していない、又はＧＰＵ使用率が閾値を超えたと判定されると、システムは、二次再推論を実施しないと決定する。
【0037】
少なくとも一実施例では、システムが、以前に推論された物体に対して再推論を実施するかどうかを判定するとき、システムは、（フレームごとに同じ物体に対して再推論することは、計算リソースを束縛するため）フレームごとに同じ物体に対して再推論を実施することを回避することができる。少なくとも一実施例では、物体は、（物体ＩＤの有無に基づいて）フレーム内で最初に見られたとき、及び／又は、物体のサイズ（ＢＢＯＸエリア）が閾値だけ増大したときにのみ推論される。少なくとも一実施例では、下流のコンポーネントは、未修正のコンテンツに加えて、分類器の推論出力から作成されたメタデータを受け取る。少なくとも一実施例では、一次検出器（車検出３０８）及び二次分類器（車色３１６、車モデル３１８、及び車メーカー３２０）は、カスケード推論に使用される。すなわち、少なくとも一実施例では、一次検出器３０８及び二次分類器（車色３１６、車モデル３１８、車メーカー３２０）は、入力データに対して直接一次推論を実施し、その後、一次推論（車検出３０８）の結果に対して二次推論（車色３１６、車モデル３１８、車メーカー３２０）を実施する。その後、二次推論の結果がリストに記憶され、追跡ＩＤと再推論の結果とが関連付けられるようにマッピングが更新される。
【0038】
少なくとも一実施例では、タイラ３２２は、バッチ化されたバッファから２Ｄタイルを組成し、上流コンポーネントから他のデータを受け入れる。少なくとも一実施例では、タイラ３２２は、ストリームＩＤに基づいて、タイルを組成する。少なくとも一実施例では、各ソース・フレームは、タイル化された出力バッファの対応する場所にスケーリングされる。少なくとも一実施例では、タイラ３２２の出力はディスプレイ３２４に渡され、このディスプレイ３２４は物体を含む画像を表示することができる。ディスプレイは、テキスト・オーバーレイを用いて物体に対して強調表示を可能にするように構成されてもよい。一実施例では、ビデオ・フレームは、ディスプレイ・デバイス上でレンダリングすること３２６ができる。システムは、ディスプレイ・デバイスに画像を表示するための情報を処理することによって、ビデオをレンダリングすること３２６ができる。
【0039】
図４は、少なくとも一実施例による、条件のセットが満たされたことに基づいて、１つ又は複数のニューラル・ネットワークを使用して追跡対象物体を再推論するためのプロセス４００の実例を示す。少なくとも一実施例では、プロセス４００の一部又はすべて（或いは本明細書に記載の任意の他のプロセス、又はその変形及び／若しくはその組合せ）は、コンピュータ実行可能命令で構成された１つ又は複数のコンピュータ・システムの制御下で実行され、１つ又は複数のプロセッサ上で、ハードウェア、ソフトウェア、又はそれらの組合せによって集合的に実行されるコード（たとえば、コンピュータ実行可能命令、１つ若しくは複数のコンピュータ・プログラム、又は１つ若しくは複数のアプリケーション）として実装される。少なくとも一実施例では、コードは、１つ又は複数のプロセッサによって実行可能な複数のコンピュータ読取り可能命令を備えるコンピュータ・プログラムの形で、コンピュータ読取り可能ストレージ媒体に記憶される。少なくとも一実施例では、コンピュータ読取り可能ストレージ媒体は、非一時的なコンピュータ読取り可能媒体である。少なくとも一実施例では、プロセス４００を実行するために使用可能な少なくともいくつかのコンピュータ読取り可能命令は、一時的な信号（たとえば、伝播する一時的な電気又は電磁伝送）のみを使用して記憶されない。少なくとも一実施例では、非一時的なコンピュータ読取り可能媒体は、必ずしも一時的な信号の送受信機内に非一時的なデータ・ストレージ回路（たとえば、バッファ、キャッシュ、及びキュー）を含むとは限らない。少なくとも一実施例では、プロセス４００は、少なくとも部分的に、本開示の他の箇所で説明されるようなコンピュータ・システム上で実行される。少なくとも一実施例では、プロセス４００は、１つ又は複数の回路によって実行され、１つ又は複数の画像内の物体を識別し、条件のセットが満たされたことに少なくとも部分的に基づいて、識別された物体に対して二次推論を実施するかどうかを判定する。
【0040】
少なくとも一実施例では、プロセス４００の少なくとも一部を実行するシステムは、画像のセットから１つ又は複数の追跡対象物体を推論してデータを取得する４０２実行可能コードを含む。少なくとも一実施例では、画像のセットは、環境（たとえば、ハイウェイ）を横断する車に取り付けられたカメラによって得られた画像を含む。いくつかの実施例では、画像のセットは、画像スキャナから得られた医用画像を含む。少なくとも一実施例では、画像は、１つ又は複数のカメラ、撮像デバイス、又はスキャナから得られる。少なくとも一実施例では、画像データは、．ｔｉｆ、．ｊｐｇ、．ｐｎｇ、．ｇｉｆなどのフォーマットの画像を含む。少なくとも一実施例では、データは画像の代わりにオーディオ・データから得られ、得られたオーディオ・データは音のバイナリ表現を含むデジタル・オーディオ・データとすることができる。少なくとも一実施例では、オーディオ・データは、生の音声ファイル、波形オーディオ・ファイル、ＭＰＥＧ－１ Ａｕｄｉｏ Ｌａｙｅｒ ＩＩＩ（ＭＰ３）ファイル、及び／又はＲｅａｌ Ａｕｄｉｏ Ｍｅｔａｄａｔａ（ＲＡＭ）ファイルなどを含む。少なくとも一実施例では、画像は、外部のサーバ、又はストレージ・デバイスから得られる。
【0041】
少なくとも一実施例では、プロセス４００の少なくとも一部を実行するシステムは、新たに検出されたあらゆる物体に対して、その一意な追跡ＩＤに基づいて二次推論を実行する実行可能コードを含む。検出された物体が以前に推論されたことがある場合、プロセス４００の少なくとも一部を実行するシステムは、得られたデータを用いて１つ又は複数の追跡対象物体から物体を再推論するための条件のセットを調整する４０４、実行可能コードを含む。上述したように、条件のセットは、複数の要因に基づいて、ユーザ定義とすることができる、及び／又は動的に調整することができる。一実例として、条件のセットには、物体のサイズが所定の閾値を超えた場合に、そのサイズが変化したかどうか（たとえば、物体のサイズに関する基準）をチェックすることが含まれる。画像のセットから１つ又は複数の追跡対象物体を推論して得られたデータが、１つ又は複数の追跡対象物体のサイズ（幅若しくは高さ自体のいずれか、又は幅及び高さの両方）が、現在ではシステムによって最初に推論された同じ物体のサイズよりも２０％大きくなったことを示す場合、この物体のサイズは変化し、閾値を超えている。換言すると、現在のフレームの車のサイズが、前のフレームで検出された同じ車のサイズより２０％大きいことが検出されれば、条件のセットが満たされたことになる。一実施例では、２０％閾値は、ＧＰＵ使用率、画像特性、画像強度、光強度、及びシステムによって追跡される物体の数などの要因に基づいて動的に調整され得る（たとえば、３０％、１０％など）。図１に関して上述したように、デフォルトの閾値は２０％として設定することができ、２０％の閾値はＧＰＵ使用率に基づいて動的に調整することができる。一実施例では、ＧＰＵ１０６の使用率が８０％～９０％である場合、閾値は３０％に調整され得、そして物体サイズが、あるフレームから次のフレームにかけて増大し、この新しい３０％閾値を超えた場合、システムは物体を再推論する。
【0042】
別の実施例では、カメラから得られた画像（又はビデオ・フレーム）を２つ又は３つの領域に分割し、関心領域（ＲＯＩ：ｒｅｇｉｏｎ ｏｆ ｉｎｔｅｒｅｓｔ）に優先順位を割り当てることができる。物体サイズの変化が検出されると、その物体が属するＲＯＩ領域に関する情報を追加することができる。ビデオ・フレームからすべての物体がスキャン及び検出されると、プロセス４００の少なくとも一部を実行するシステムは、ＧＰＵ使用率、ＲＯＩ優先順位、及び所定の閾値のうち、少なくとも１つに少なくとも部分的に基づいて、条件のセットを調整する実行可能コードを含む。これにより、次に再推論の対象と考えられる物体が絞り込まれる。関心対象の物体に優先順位付けすることで、この優先順位に基づいて、後で物体を再推論することができる。
【0043】
少なくとも一実施例では、プロセス４００の少なくとも一部を実行するシステムは、非同期モード処理を実行する実行可能コードを含む。非同期モードでは、推論ジョブが用意され、フレームは次のコンポーネントに渡されるため、システムは推論結果が利用可能となるまで待つことはない。推論結果が利用可能になると、物体追跡ＩＤ、ＢＢＯＸ情報、及び推論結果を関連付けたマップを保持することにより、この情報をメモリに記憶することができる。次のフレームが到着すると、物体の再推論が不要かどうかを判定するために、判断がシステムによって行われる。以前に記憶された情報はすべて抽出され、メタデータを更新して、パイプラインの次のコンポーネントに渡すことができる。別の実施例では、ユーザは、非同期モードをオフにする（たとえば、同期モードにする）ことができ、これにより、システムは、推論結果を添付して、パイプラインの下流に情報を渡す前に、推論結果が利用可能となるまで待つことになる。
【0044】
少なくとも一実施例では、プロセス４００の少なくとも一部を実行するシステムは、１つ又は複数の追跡対象物体から物体を再推論するための条件のセットを満たす４０６実行可能コードを含む。上述したように、追跡対象物体のサイズが、同じ物体が最初に推論されたときの同じ物体のサイズと比較して２０％閾値を超えた場合、条件は満たされる。条件が満たされた場合、プロセス４００の少なくとも一部を実行するシステムは、物体の分類を精緻化することができるように、追跡対象物体に対して二次推論（たとえば、再推論）を実施する実行可能コードを含む。たとえば、第１のニューラル・ネットワークが物体が車であると推論してあり、この車が再推論されるとき、再推論を実施した結果は、車の色がグレーであるということを示す場合がある。
【0045】
図５は、少なくとも一実施例による、物体を検出し、物体を追跡し、新たに検出された物体に対して推論を実施し、追跡対象物体に対して、条件のセットが満たされたことに基づいて再推論を実施するために、１つ又は複数のニューラル・ネットワークを使用するプロセス５００の実例を示す。少なくとも一実施例では、プロセス５００の一部又はすべて（或いは本明細書に記載の任意の他のプロセス、又はその変形及び／若しくはその組合せ）は、コンピュータ実行可能命令で構成された１つ又は複数のコンピュータ・システムの制御下で実行され、１つ又は複数のプロセッサ上で、ハードウェア、ソフトウェア、又はそれらの組合せによって集合的に実行されるコード（たとえば、コンピュータ実行可能命令、１つ若しくは複数のコンピュータ・プログラム、又は１つ若しくは複数のアプリケーション）として実装される。少なくとも一実施例では、コードは、１つ又は複数のプロセッサによって実行可能な複数のコンピュータ読取り可能命令を備えるコンピュータ・プログラムの形で、コンピュータ読取り可能ストレージ媒体に記憶される。少なくとも一実施例では、コンピュータ読取り可能ストレージ媒体は、非一時的なコンピュータ読取り可能媒体である。少なくとも一実施例では、プロセス５００を実行するために使用可能な少なくともいくつかのコンピュータ読取り可能命令は、一時的な信号（たとえば、伝播する一時的な電気又は電磁伝送）のみを使用して記憶されない。少なくとも一実施例では、非一時的なコンピュータ読取り可能媒体は、必ずしも一時的な信号の送受信機内に非一時的なデータ・ストレージ回路（たとえば、バッファ、キャッシュ、及びキュー）を含むとは限らない。少なくとも一実施例では、プロセス５００は、少なくとも部分的に、本開示の他の箇所で説明されるようなコンピュータ・システム上で実行される。少なくとも一実施例では、プロセス５００は、１つ又は複数の回路によって実行され、条件のセットが満たされたことに少なくとも部分的に基づいて、再推論される物体を識別する。
【0046】
少なくとも一実施例では、プロセス５００の少なくとも一部を実行するシステムは、１つ又は複数の物体を含む１つ又は複数の画像を取得し、全カメラ・フレームに対して一次推論を実施する５０２実行可能コードを含む。いくつかの実施例では、１つ又は複数の画像は、１つ又は複数のカメラによってキャプチャされるか、又は外部のストレージ・デバイスから取得される。一実例では、１つ又は複数のカメラは、半自律車両がハイウェイを走行する際にその周辺環境のビデオをキャプチャするために、半自律車両に取り付けられることがある。いくつかの実施例では、１つ又は複数のカメラによってキャプチャされるビデオからの画像は、道路上の他の車両、樹木、信号機、建物などの物体を含む。
【0047】
少なくとも一実施例では、プロセス５００の少なくとも一部を実行するシステムは、１つ又は複数の画像から検出した物体がすでに追跡されているかどうかを、まず判定する５０４実行可能コードを含む。一実施例では、１つ又は複数の画像から検出された物体が新しい場合、プロセス５００の少なくとも一実施例を実行するシステムは、分類（たとえば、二次推論）を精緻化するために物体を再推論し５１２、更新された推論結果を記憶されたリストに提供する（ここで、リストは、追跡ＩＤと推論結果とのマッピングを関連付けるものである）。
【0048】
一実施例では、１つ又は複数の画像から検出された物体が以前に追跡されていた場合、プロセス５００の少なくとも一部を実行するシステムは、追跡対象物体のＢＢＯＸ情報の変化を判定する５０６実行可能コードを含む。すなわち、プロセス５００の少なくとも一部を実行するシステムは、追跡対象物体のＢＢＯＸ情報を、以前に物体に関連付けられた同じ物体のＢＢＯＸ情報を用いて判定する実行可能コードを含む。ＢＢＯＸ情報のいかなる変更も、システムが物体を再推論する前に、条件のセットが満たされたかどうかを判定する５０８ために、システムによって使用され得る。図１～図４に関して前述したように、条件のセットには、ボックスのサイズが変化したかどうかの判定などが含まれ得る。これらの条件は、様々な要因に基づいて調整することができる。たとえば、物体のサイズが２０％を上回ることに対応する条件は、ＧＰＵ使用率が高い場合には３０％閾値に調整することができる。図１～図４に関して前述したように、満たされるべき条件は、ＧＰＵ使用率、画像特性、光強度、及び推論するべき物体の数のうち、少なくとも１つに基づいて動的に調整することができる。
【0049】
一実施例では、条件が満たされない場合、後続のフレームで見つかった同じ物体は再推論されず、システムは追加的な画像及びフレームを取得する。一実例では、条件が満たされない場合、追跡ＩＤと分類結果とのマッピングを検索することにより、物体に対して以前に判定された結果が物体に添付される。一実施例では、少なくとも１つの条件が満たされる場合、又は条件のセットの閾値数が満たされた場合、システムは物体を再推論する５１０。少なくとも一実施例では、システムは分類を精緻化するために物体を再推論する５１０。一実例として、システムが物体に対して一次推論を実施し、それが車を有するものであると分類した場合、再推論は、分類を精緻化するために車の色がグレーであると出力する場合がある。物体が再推論された後、システムは追加的な画像及びフレームを受信し、それらの追加的な画像及びフレームにおいて同じ物体が、１つの条件又は条件のセットを満たして、分類をさらに精緻化するために再度、再推論され得るかを判定することができる。一実施例では、システムは、二次推論が行われた物体のリスト又はテーブルを保持し、再推論された物体のバッチを作成する。一実施例では、リストは、追跡ＩＤと物体の分類結果とを関連付けているマッピングを含む。
【0050】
一実施例では、プロセス５００の少なくとも一部を実行するシステムは、その必要がないとシステムが判断した場合、画像に高頻度で出現する物体の再推論を回避することができ、その後ＧＰＵリソースを、より効果的且つ効率的に使用することができる。分類の精度はまた、物体がカメラに近づけば（たとえば、カメラに向かって動く）、追跡対象物体を再推論することによって向上し、物体がカメラから遠ざかれば、追跡対象物体に対する再推論はスキップされる。追跡対象物体の幅及び／又は高さが２０％（これはカスタマイズ可能な、及び／又は動的に調整されたフィールドである）増大していた場合、物体はカメラに近づいた可能性が高く、サイズの変化が２０％閾値に満たない場合、物体はカメラから遠ざかっている可能性が高い。
【0051】
推論及び訓練の論理
図６Ａは、１つ又は複数の実施例に関して推論及び／又は訓練の動作を実行するために使用される推論及び／又は訓練論理６１５を示す。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて以下に提供される。
図６Ａは、１つ又は複数の実施例に関して推論及び／又は訓練の動作を実行するために使用される推論及び／又は訓練論理６１５を示す。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて以下に提供される。
【0052】
少なくとも一実施例では、推論及び／又は訓練論理６１５は、１つ又は複数の実施例の態様において推論するように訓練及び／若しくは使用されるニューラル・ネットワークのニューロン若しくは層を構成するための、順及び／若しくは出力重み及び／若しくは入力／出力データ、並びに／又は他のパラメータを記憶するためのコード及び／又はデータ・ストレージ６０１を、限定することなく含んでもよい。少なくとも一実施例では、訓練論理６１５は、タイミング及び／又は順序を制御するためのグラフ・コード又は他のソフトウェアを記憶するためのコード及び／又はデータ・ストレージ６０１を含んでもよく、又はそれに結合されてもよく、コード及び／又はデータ・ストレージ６０１には、重み及び／又は他のパラメータ情報がロードされて、整数及び／又は浮動小数点ユニット（総称して算術論理演算ユニット（ＡＬＵ：ａｒｉｔｈｍｅｔｉｃ ｌｏｇｉｃ ｕｎｉｔ））を含む論理が構成される。少なくとも一実施例では、グラフ・コードなどのコードは、こうしたコードが対応するニューラル・ネットワークのアーキテクチャに基づき、重み又は他のパラメータ情報をプロセッサＡＬＵにロードする。少なくとも一実施例では、コード及び／又はデータ・ストレージ６０１は、１つ又は複数の実施例の態様を使用した訓練及び／又は推論中に、入力／出力データ及び／又は重みパラメータを順伝播する間に１つ又は複数の実施例と併せて訓練又は使用されるニューラル・ネットワークの各層の重みパラメータ及び／又は入力／出力データを記憶する。少なくとも一実施例では、コード及び／又はデータ・ストレージ６０１の任意の部分は、プロセッサのＬ１、Ｌ２、又はＬ３のキャッシュ、若しくはシステム・メモリを含む他のオン・チップ又はオフ・チップのデータ・ストレージとともに含められてもよい。
【0053】
少なくとも一実施例では、コード及び／又はデータ・ストレージ６０１の任意の部分は、１つ若しくは複数のプロセッサ、又は他のハードウェア論理デバイス若しくは回路の内部にあっても外部にあってもよい。少なくとも一実施例では、コード及び／又はコード及び／又はデータ・ストレージ６０１は、キャッシュ・メモリ、ダイナミック・ランダム・アドレス指定可能メモリ（「ＤＲＡＭ」：ｄｙｎａｍｉｃ ｒａｎｄｏｍｌｙ ａｄｄｒｅｓｓａｂｌｅ ｍｅｍｏｒｙ）、スタティック・ランダム・アドレス指定可能メモリ（「ＳＲＡＭ」：ｓｔａｔｉｃ ｒａｎｄｏｍｌｙ ａｄｄｒｅｓｓａｂｌｅ ｍｅｍｏｒｙ）、不揮発性メモリ（たとえば、フラッシュ・メモリ）、又は他のストレージであってもよい。少なくとも一実施例では、コード及び／又はコード及び／又はデータ・ストレージ６０１が、たとえばプロセッサの内部にあるか外部にあるかの選択、又はＤＲＡＭ、ＳＲＡＭ、フラッシュ、若しくは何らか他のタイプのストレージを含むかの選択は、オン・チップ対オフ・チップで利用可能なストレージ、実行される訓練及び／又は推論の機能のレイテンシ要件、ニューラル・ネットワークの推論及び／又は訓練で使用されるデータのバッチ・サイズ、又はこれらの要因の何からの組合せに応じて決められてもよい。
【0054】
少なくとも一実施例では、推論及び／又は訓練論理６１５は、１つ又は複数の実施例の態様において推論するために訓練及び／若しくは使用されるニューラル・ネットワークのニューロン若しくは層に対応した、逆及び／又は出力重み及び／又は入力／出力データを記憶するためのコード及び／又はデータ・ストレージ６０５を、限定することなく含んでもよい。少なくとも一実施例では、コード及び／又はデータ・ストレージ６０５は、１つ又は複数の実施例の態様を使用した訓練及び／又は推論中に、入力／出力データ及び／又は重みパラメータを逆伝播する間に１つ又は複数の実施例と併せて訓練又は使用されるニューラル・ネットワークの各層の重みパラメータ及び／又は入力／出力データを記憶する。少なくとも一実施例では、訓練論理６１５は、タイミング及び／又は順序を制御するためのグラフ・コード又は他のソフトウェアを記憶するためのコード及び／又はデータ・ストレージ６０５を含んでもよく、又はそれに結合されてもよく、コード及び／又はデータ・ストレージ６０５には、重み及び／又は他のパラメータ情報がロードされて、整数及び／又は浮動小数点ユニット（総称して算術論理演算ユニット（ＡＬＵ））を含む論理が構成される。
【0055】
少なくとも一実施例では、グラフ・コードなどのコードは、こうしたコードが対応するニューラル・ネットワークのアーキテクチャに基づき、重み又は他のパラメータ情報をプロセッサＡＬＵにロードさせる。少なくとも一実施例では、コード及び／又はデータ・ストレージ６０５の任意の部分は、プロセッサのＬ１、Ｌ２、又はＬ３のキャッシュ、若しくはシステム・メモリを含む他のオン・チップ又はオフ・チップのデータ・ストレージとともに含められてもよい。少なくとも一実施例では、コード及び／又はデータ・ストレージ６０５の任意の部分は、１つ若しくは複数のプロセッサ、又は他のハードウェア論理デバイス若しくは回路の内部にあっても外部にあってもよい。少なくとも一実施例では、コード及び／又はデータ・ストレージ６０５は、キャッシュ・メモリ、ＤＲＡＭ、ＳＲＡＭ、不揮発性メモリ（たとえば、フラッシュ・メモリ）、又は他のストレージであってもよい。少なくとも一実施例では、コード及び／又はデータ・ストレージ６０５が、たとえばプロセッサの内部にあるか外部にあるかの選択、又はＤＲＡＭ、ＳＲＡＭ、フラッシュ・メモリ、若しくは何らか他のタイプのストレージを含むかの選択は、オン・チップ対オフ・チップで利用可能なストレージ、実行される訓練及び／又は推論の機能のレイテンシ要件、ニューラル・ネットワークの推論及び／又は訓練で使用されるデータのバッチ・サイズ、又はこれらの要因の何からの組合せに応じて決められてもよい。
【0056】
少なくとも一実施例では、コード及び／又はデータ・ストレージ６０１と、コード及び／又はデータ・ストレージ６０５は、別々のストレージ構造であってもよい。少なくとも一実施例では、コード及び／又はデータ・ストレージ６０１と、コード及び／又はデータ・ストレージ６０５は、組み合わされたストレージ構造であってもよい。少なくとも一実施例では、コード及び／又はデータ・ストレージ６０１と、コード及び／又はデータ・ストレージ６０５は、部分的に組み合わされ、部分的に別々であってもよい。少なくとも一実施例では、コード及び／又はデータ・ストレージ６０１と、コード及び／又はデータ・ストレージ６０５との任意の部分は、プロセッサのＬ１、Ｌ２、又はＬ３のキャッシュ、若しくはシステム・メモリを含む他のオン・チップ又はオフ・チップのデータ・ストレージとともに含められてもよい。
【0057】
少なくとも一実施例では、推論及び／又は訓練論理６１５は、訓練及び／又は推論コード（たとえばグラフ・コード）に少なくとも部分的に基づく、又はそれにより示される論理演算及び／又は算術演算を実行するための、整数及び／又は浮動小数点ユニットを含む１つ又は複数の算術論理演算ユニット（「ＡＬＵ」）６１０を、限定することなく含んでもよく、その結果が、アクティブ化ストレージ６２０に記憶されるアクティブ化（たとえば、ニューラル・ネットワーク内の層若しくはニューロンからの出力値）を生成してもよく、これらは、コード及び／若しくはデータ・ストレージ６０１、並びに／又はコード及び／若しくはデータ・ストレージ６０５に記憶される入力／出力及び／又は重みパラメータのデータの関数である。少なくとも一実施例では、アクティブ化ストレージ６２０に記憶されるアクティブ化は、命令又は他のコードを実行したことに応答して、ＡＬＵ６１０によって実行される線形代数計算及び又は行列ベースの計算に従って生成され、ここでコード及び／若しくはデータ・ストレージ６０５並びに／又はデータ・ストレージ６０１に記憶された重み値は、バイアス値、勾配情報、運動量値などの他の値、又は他のパラメータ若しくはハイパーパラメータとともにオペランドとして使用され、これらのいずれか又はすべてが、コード及び／若しくはデータ・ストレージ６０５、又はコード及び／若しくはデータ・ストレージ６０１、又はオン・チップ若しくはオフ・チップの別のストレージに記憶されてもよい。
【0058】
少なくとも一実施例では、ＡＬＵ６１０は、１つ若しくは複数のプロセッサ、又は他のハードウェア論理デバイス若しくは回路内に含まれるが、別の実施例では、ＡＬＵ６１０は、それらを使用するプロセッサ又は他のハードウェア論理デバイス若しくは回路の外部にあってもよい（たとえばコプロセッサ）。少なくとも一実施例では、ＡＬＵ６１０は、プロセッサの実行ユニット内に含まれてもよく、又は同じプロセッサ内にあるか異なるタイプの異なるプロセッサ（たとえば、中央処理装置、グラフィックス・プロセッシング・ユニット、固定機能ユニットなど）の間で分散されているかのいずれかであるプロセッサの実行ユニットによりアクセス可能なＡＬＵバンク内に、他のやり方で含まれてもよい。少なくとも一実施例では、コード及び／又はデータ・ストレージ６０１、コード及び／又はデータ・ストレージ６０５、並びにアクティブ化ストレージ６２０は、プロセッサ又は他のハードウェア論理デバイス若しくは回路を共有してもよく、別の実施例では、それらは異なるプロセッサ又は他のハードウェア論理デバイス若しくは回路にあってもよく、或いは同じプロセッサ又は他のハードウェア論理デバイス若しくは回路と、異なるプロセッサ又は他のハードウェア論理デバイス若しくは回路との何らかの組合せにあってもよい。少なくとも一実施例では、アクティブ化ストレージ６２０の任意の部分は、プロセッサのＬ１、Ｌ２、又はＬ３のキャッシュ、若しくはシステム・メモリを含む他のオン・チップ又はオフ・チップのデータ・ストレージとともに含められてもよい。さらに、推論及び／又は訓練コードが、プロセッサ又は他のハードウェア論理若しくは回路にアクセス可能な他のコードとともに記憶されてもよく、プロセッサのフェッチ、デコード、スケジューリング、実行、リタイア、及び／又は他の論理回路を使用してフェッチ及び／又は処理されてもよい。
【0059】
少なくとも一実施例では、アクティブ化ストレージ６２０は、キャッシュ・メモリ、ＤＲＡＭ、ＳＲＡＭ、不揮発性メモリ（たとえば、フラッシュ・メモリ）、又は他のストレージであってもよい。少なくとも一実施例では、アクティブ化ストレージ６２０は、完全に又は部分的に、１つ若しくは複数のプロセッサ又は他の論理回路の内部にあってもよく、又は外部にあってもよい。少なくとも一実施例では、アクティブ化ストレージ６２０が、たとえばプロセッサの内部にあるか外部にあるかの選択、又はＤＲＡＭ、ＳＲＡＭ、フラッシュ・メモリ、若しくは何らか他のタイプのストレージを含むかの選択は、オン・チップ対オフ・チップの利用可能なストレージ、実行される訓練及び／又は推論機能のレイテンシ要件、ニューラル・ネットワークの推論及び／又は訓練で使用されるデータのバッチ・サイズ、又はこれらの要因の何からの組合せに応じて決められてもよい。
【0060】
少なくとも一実施例では、図６Ａに示す推論及び／又は訓練論理６１５は、Ｇｏｏｇｌｅ社のＴｅｎｓｏｒＦｌｏｗ（登録商標）Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、Ｇｒａｐｈｃｏｒｅ（商標）社の推論処理ユニット（ＩＰＵ：ｉｎｆｅｒｅｎｃｅ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、又はＩｎｔｅｌ Ｃｏｒｐ．社のＮｅｒｖａｎａ（登録商標）（たとえば、「Ｌａｋｅ Ｃｒｅｓｔ」）プロセッサなどの、特定用途向け集積回路（「ＡＳＩＣ」：ａｐｐｌｉｃａｔｉｏｎ－ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）と併せて使用してもよい。少なくとも一実施例では、図６Ａに示す推論及び／又は訓練論理６１５は、中央処理装置（「ＣＰＵ」）ハードウェア、グラフィックス・プロセッシング・ユニット（「ＧＰＵ」）ハードウェア、又はフィールド・プログラマブル・ゲート・アレイ（「ＦＰＧＡ」：ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）などの他のハードウェアと併せて使用してもよい。
【0061】
図６Ｂは、少なくとも一実施例による、推論及び／又は訓練論理６１５を示す。少なくとも一実施例では、推論及び／又は訓練論理６１５は、ハードウェア論理を限定することなく含んでもよく、このハードウェア論理では、計算リソースが、ニューラル・ネットワーク内のニューロンの１つ若しくは複数の層に対応する重み値又は他の情報の専用のものであるか、又は他のやり方でそれらと併せてしか使用されない。少なくとも一実施例では、図６Ｂに示す推論及び／又は訓練論理６１５は、Ｇｏｏｇｌｅ社のＴｅｎｓｏｒＦｌｏｗ（登録商標）Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、Ｇｒａｐｈｃｏｒｅ（商標）社の推論処理ユニット（ＩＰＵ）、又はＩｎｔｅｌ Ｃｏｒｐ．社のＮｅｒｖａｎａ（登録商標）（たとえば、「Ｌａｋｅ Ｃｒｅｓｔ」）プロセッサなどの、特定用途向け集積回路（ＡＳＩＣ）と併せて使用してもよい。少なくとも一実施例では、図６Ｂに示す推論及び／又は訓練論理６１５は、中央処理装置（「ＣＰＵ」）ハードウェア、グラフィックス・プロセッシング・ユニット（「ＧＰＵ」）ハードウェア、又はフィールド・プログラマブル・ゲート・アレイ（「ＦＰＧＡ」）などの他のハードウェアと併せて使用してもよい。少なくとも一実施例では、推論及び／又は訓練論理６１５は、限定することなく、コード及び／又はデータ・ストレージ６０１、並びにコード及び／又はデータ・ストレージ６０５を含み、これらを使用して、コード（たとえばグラフ・コード）、重み値、並びに／又はバイアス値、勾配情報、運動量値、及び／若しくは他のパラメータ若しくはハイパーパラメータ情報を含む他の情報を記憶してもよい。図６Ｂに示す少なくとも一実施例では、コード及び／又はデータ・ストレージ６０１並びにコード及び／又はデータ・ストレージ６０５のそれぞれは、それぞれ計算ハードウェア６０２及び計算ハードウェア６０６などの専用計算リソースに関連付けられる。少なくとも一実施例では、計算ハードウェア６０２及び計算ハードウェア６０６のそれぞれは、線形代数関数などの数学的関数を、それぞれコード及び／又はデータ・ストレージ６０１並びにコード及び／又はデータ・ストレージ６０５に記憶された情報に対してのみ実行する１つ又は複数のＡＬＵを備え、その結果は、アクティブ化ストレージ６２０に記憶される。
【0062】
少なくとも一実施例では、コード並びに／又はデータ・ストレージ６０１及び６０５のそれぞれ、並びに対応する計算ハードウェア６０２及び６０６は、ニューラル・ネットワークの異なる層にそれぞれ対応し、それにより、コード及び／又はデータ・ストレージ６０１並びに計算ハードウェア６０２との１つのストレージ／計算の対６０１／６０２から結果的に生じるアクティブ化は、ニューラル・ネットワークの概念的組織化を反映させるために、次のコード及び／又はデータ・ストレージ６０５並びに計算ハードウェア６０６とのストレージ／計算の対６０５／６０６への入力として提供される。少なくとも一実施例では、ストレージ／計算の対６０１／６０２、及び６０５／６０６のそれぞれは、２つ以上のニューラル・ネットワークの層に対応してもよい。少なくとも一実施例では、ストレージ／計算の対６０１／６０２、及び６０５／６０６の後に、又はそれと並列に、追加のストレージ／計算の対（図示せず）が、推論及び／又は訓練論理６１５に含まれてもよい。
【0063】
ニューラル・ネットワークの訓練及び導入
図７は、少なくとも一実施例による、ディープ・ニューラル・ネットワークの訓練及び導入を示す。少なくとも一実施例では、未訓練ニューラル・ネットワーク７０６が、訓練データセット７０２を使用して訓練される。少なくとも一実施例では、訓練フレームワーク７０４は、ＰｙＴｏｒｃｈフレームワークであり、一方他の実施例では、訓練フレームワーク７０４は、ＴｅｎｓｏｒＦｌｏｗ、Ｂｏｏｓｔ、Ｃａｆｆｅ、マイクロソフトＣｏｇｎｉｔｉｖｅ Ｔｏｏｌｋｉｔ／ＣＮＴＫ、ＭＸＮｅｔ、Ｃｈａｉｎｅｒ、Ｋｅｒａｓ、Ｄｅｅｐｌｅａｒｎｉｎｇ４ｊ、又は他の訓練フレームワークである。少なくとも一実施例では、訓練フレームワーク７０４は、未訓練ニューラル・ネットワーク７０６を訓練し、本明細書に記載の処理リソースを使用してそれが訓練されるのを可能にして、訓練済みニューラル・ネットワーク７０８を生成する。少なくとも一実施例では、重みは、ランダムに選択されてもよく、又はディープ・ビリーフ・ネットワークを使用した事前訓練によって選択されてもよい。少なくとも一実施例では、訓練は、教師あり、一部教師あり、又は教師なしのいずれかのやり方で実行されてもよい。
図７は、少なくとも一実施例による、ディープ・ニューラル・ネットワークの訓練及び導入を示す。少なくとも一実施例では、未訓練ニューラル・ネットワーク７０６が、訓練データセット７０２を使用して訓練される。少なくとも一実施例では、訓練フレームワーク７０４は、ＰｙＴｏｒｃｈフレームワークであり、一方他の実施例では、訓練フレームワーク７０４は、ＴｅｎｓｏｒＦｌｏｗ、Ｂｏｏｓｔ、Ｃａｆｆｅ、マイクロソフトＣｏｇｎｉｔｉｖｅ Ｔｏｏｌｋｉｔ／ＣＮＴＫ、ＭＸＮｅｔ、Ｃｈａｉｎｅｒ、Ｋｅｒａｓ、Ｄｅｅｐｌｅａｒｎｉｎｇ４ｊ、又は他の訓練フレームワークである。少なくとも一実施例では、訓練フレームワーク７０４は、未訓練ニューラル・ネットワーク７０６を訓練し、本明細書に記載の処理リソースを使用してそれが訓練されるのを可能にして、訓練済みニューラル・ネットワーク７０８を生成する。少なくとも一実施例では、重みは、ランダムに選択されてもよく、又はディープ・ビリーフ・ネットワークを使用した事前訓練によって選択されてもよい。少なくとも一実施例では、訓練は、教師あり、一部教師あり、又は教師なしのいずれかのやり方で実行されてもよい。
【0064】
少なくとも一実施例では、未訓練ニューラル・ネットワーク７０６は教師あり学習を使用して訓練され、ここで訓練データセット７０２は、入力に対する所望の出力と対になった入力を含み、又は訓練データセット７０２は、既知の出力を有する入力を含み、ニューラル・ネットワーク７０６の出力が手動で採点される。少なくとも一実施例では、未訓練ニューラル・ネットワーク７０６は教師ありのやり方で訓練され、訓練データセット７０２からの入力を処理し、結果として得られた出力を、予想の又は所望の出力のセットと比較する。少なくとも一実施例では、次いで、誤差が、未訓練ニューラル・ネットワーク７０６を通って逆伝播される。少なくとも一実施例では、訓練フレームワーク７０４は、未訓練ニューラル・ネットワーク７０６を制御する重みを調節する。少なくとも一実施例では、訓練フレームワーク７０４は、未訓練ニューラル・ネットワーク７０６が、新規データセット７１２などの入力データに基づき、結果７１４などにおいて正しい答えを生成するのに好適な訓練済みニューラル・ネットワーク７０８などのモデルに向かって、どれだけ良好に収束しているかを監視するツールを含む。少なくとも一実施例では、訓練フレームワーク７０４は、未訓練ニューラル・ネットワーク７０６を繰り返し訓練する一方、損失関数、及び確率的勾配降下法などの調整アルゴリズムを使用して、未訓練ニューラル・ネットワーク７０６の出力を精緻化するように重みを調整する。少なくとも一実施例では、訓練フレームワーク７０４は、未訓練ニューラル・ネットワーク７０６が所望の精度に到達するまで未訓練ニューラル・ネットワーク７０６を訓練する。少なくとも一実施例では、次いで訓練済みニューラル・ネットワーク７０８を、任意の数の機械学習動作を実装するように導入することができる。
【0065】
少なくとも一実施例では、未訓練ニューラル・ネットワーク７０６は、教師なし学習を使用して訓練され、ここで未訓練ニューラル・ネットワーク７０６は、ラベルなしデータを使用して自らを訓練しようとする。少なくとも一実施例では、教師なし学習の訓練データセット７０２は、いかなる関連出力データ又は「グラウンド・トゥルース」データもない入力データを含む。少なくとも一実施例では、未訓練ニューラル・ネットワーク７０６は、訓練データセット７０２内でグループ化を学習することができ、個々の入力が、未訓練データセット７０２にどのように関係しているかを判定することができる。少なくとも一実施例では、新規データセット７１２の次元を低減するのに有用な動作を実行することができる訓練済みニューラル・ネットワーク７０８内で教師なし訓練を使用して、自己組織化マップを生成することができる。少なくとも一実施例では、教師なし訓練を使用して異常検出を実行することもでき、異常検出は、新規データセット７１２の通常のパターンから逸脱した、新規データセット７１２内のデータ点を識別できるようにする。
【0066】
少なくとも一実施例では、半教師あり学習が使用されてもよく、それは、ラベル付きデータとラベルなしデータが訓練データセット７０２に混在している技法である。少なくとも一実施例では、訓練フレームワーク７０４を使用して、伝達学習技法などによる漸次的学習が実行されてもよい。少なくとも一実施例では、漸次的学習により、訓練済みニューラル・ネットワーク７０８は、初期訓練中に訓練済みニューラル・ネットワーク７０８内に教え込まれた知識を忘れることなく、新規データセット７１２に適合できるようになる。
【0067】
少なくとも一実施例では、訓練フレームワーク７０４は、ＯｐｅｎＶＩＮＯ（Ｏｐｅｎ Ｖｉｓｕａｌ Ｉｎｆｅｒｅｎｃｅ ａｎｄ Ｎｅｕｒａｌ ｎｅｔｗｏｒｋ Ｏｐｔｉｍｉｚａｔｉｏｎ）ツールキットなど、ソフトウェア開発ツールキットと関連して処理されるフレームワークである。少なくとも一実施例では、ＯｐｅｎＶＩＮＯツールキットは、カリフォルニア州サンタクララのインテルコーポレーションによって開発されたツールキットなどの、ツールキットである。
【0068】
少なくとも一実施例では、ＯｐｅｎＶＩＮＯは、ヒューマン・ビジョン・エミュレーション、発話認識、自然言語処理、提案システム、及び／又はその変形など、多様なタスク及び動作について、アプリケーション、具体的にはニューラル・ネットワーク・アプリケーションの開発を促進するための、ツールキットである。少なくとも一実施例では、ＯｐｅｎＶＩＮＯは、畳み込みニューラル・ネットワーク（ＣＮＮ）、再帰及び／若しくはアテンションベースのニューラル・ネットワーク、並びに／又は多様な他のニューラル・ネットワーク・モデルなど、ニューラル・ネットワークをサポートする。少なくとも一実施例では、ＯｐｅｎＶＩＮＯは、ＯｐｅｎＣＶ、ＯｐｅｎＣＬ、及び／又はその変形など、多様なソフトウェア・ライブラリをサポートする。
【0069】
少なくとも一実施例では、ＯｐｅｎＶＩＮＯは、分類、セグメンテーション、物体検出、顔認識、発話認識、姿勢推定（たとえば、人間及び／又は物体）、単眼深度推定、画像修復、スタイル変換、アクション認識、カラー化及び／又はその変形など、多様なタスク及び動作について、ニューラル・ネットワーク・モデルをサポートする。
【0070】
少なくとも一実施例では、ＯｐｅｎＶＩＮＯは、モデル・オプティマイザとも称される、モデル最適化のための１つ又は複数のソフトウェア・ツール及び／又はモジュールを含む。少なくとも一実施例では、モデル・オプティマイザは、ニューラル・ネットワーク・モデルの訓練と導入との間の遷移を容易にするコマンド・ライン・ツールである。少なくとも一実施例では、モデル・オプティマイザは、ＧＰＵ、ＣＰＵ、ＰＰＵ、ＧＰＧＰＵ、及び／又はその変形など、多様なデバイス及び／又は処理ユニットでの実行のためにニューラル・ネットワーク・モデルを最適化する。少なくとも一実施例では、モデル・オプティマイザは、モデルの内部表現を生成し、中間表現を生成するために前記モデルを最適化する。少なくとも一実施例では、モデル・オプティマイザは、モデルの層の数を低減する。少なくとも一実施例では、モデル・オプティマイザは、訓練に利用されるモデルの層を除去する。少なくとも一実施例では、モデル・オプティマイザは、モデルへの入力を改変する（たとえば、モデルへの入力をサイズ変更する）こと、モデルの入力のサイズを改変する（たとえば、モデルのバッチ・サイズを改変する）こと、モデル構造を改変する（たとえば、モデルの層を改変する）、正規化、標準化、量子化（たとえば、モデルの重みを、小数点など第１の表現から、整数などの第２の表現に変換すること）、及び／又はその変形など、多様なニューラル・ネットワーク動作を実行する。
【0071】
少なくとも一実施例では、ＯｐｅｎＶＩＮＯは、推論エンジンとも称される、推論のための１つ又は複数のソフトウェア・ライブラリを含む。少なくとも一実施例では、推論エンジンは、Ｃ＋＋ライブラリ、又は任意の好適なプログラミング言語のライブラリである。少なくとも一実施例では、推論エンジンは、入力データを推論するために利用される。少なくとも一実施例では、推論エンジンは、入力データを推論して１つ又は複数の結果を生成するために、多様なクラスを実装する。少なくとも一実施例では、推論エンジンは、中間表現を処理し、入力及び／若しくは出力フォーマットを設定し、並びに／又は１つ若しくは複数のデバイスでモデルを実行するために、１つ又は複数のＡＰＩ関数を実装する。
【0072】
少なくとも一実施例では、ＯｐｅｎＶＩＮＯは、１つ又は複数のニューラル・ネットワーク・モデルの異種な実行のための様々な能力を提供する。少なくとも一実施例では、異種な実行、又は異種なコンピューティングとは、１つ又は複数のタイプのプロセッサ及び／又はコアを利用する、１つ又は複数のコンピューティング・プロセス及び／又はシステムを指す。少なくとも一実施例では、ＯｐｅｎＶＩＮＯは、１つ又は複数のデバイスでプログラムを実行するために、様々なソフトウェア機能を提供する。少なくとも一実施例では、ＯｐｅｎＶＩＮＯは、異なるデバイスでプログラム及び／又はプログラムの一部を実行するために、様々なソフトウェア機能を提供する。少なくとも一実施例では、ＯｐｅｎＶＩＮＯは、たとえばコードの第１の部分をＣＰＵで実行し、コードの第２の部分をＧＰＵ及び／又はＦＰＧＡで実行するために、様々なソフトウェア機能を提供する。少なくとも一実施例では、ＯｐｅｎＶＩＮＯは、ニューラル・ネットワークの１つ又は複数の層を、１つ又は複数のデバイスで（たとえば、ＧＰＵなど第１のデバイスで第１のセットの層を、ＣＰＵなど第２のデバイスで第２のセットの層を）実行するために、様々なソフトウェア機能を提供する。
【0073】
少なくとも一実施例では、ＯｐｅｎＶＩＮＯは、ＴｅｎｓｏｒＦｌｏｗ、ＰｙＴｏｒｃｈ、及び／又はその変形などのフレームワークに関連する多様なニューラル・ネットワーク・モデル動作など、ＣＵＤＡプログラミング・モデルに関連する機能に類似した多様な機能を含む。少なくとも一実施例では、１つ又は複数のＣＵＤＡプログラミング・モデル動作は、ＯｐｅｎＶＩＮＯを使用して実行される。少なくとも一実施例では、本明細書に記載の多様なシステム、方法、及び／又は技法は、ＯｐｅｎＶＩＮＯを使用して実装される。
【0074】
データ・センタ
図８は、少なくとも一実施例が使用されてもよい例示的なデータ・センタ８００を示す。少なくとも一実施例では、データ・センタ８００は、データ・センタ・インフラストラクチャ層８１０、フレームワーク層８２０、ソフトウェア層８３０、及びアプリケーション層８４０を含む。
図８は、少なくとも一実施例が使用されてもよい例示的なデータ・センタ８００を示す。少なくとも一実施例では、データ・センタ８００は、データ・センタ・インフラストラクチャ層８１０、フレームワーク層８２０、ソフトウェア層８３０、及びアプリケーション層８４０を含む。
【0075】
図８に示すように、少なくとも一実施例では、データセンタ・インフラストラクチャ層８１０は、リソース・オーケストレータ８１２と、グループ化済みコンピューティング・リソース８１４と、ノード・コンピューティング・リソース（「ノードＣ．Ｒ．」）８１６（１）～８１６（Ｎ）とを含んでもよく、ここで「Ｎ」は正の整数を表す（他の図で使用されるものとは異なる整数「Ｎ」であってもよい）。少なくとも一実施例では、ノードＣ．Ｒ．８１６（１）～８１６（Ｎ）は、任意の数の中央処理装置（「ＣＰＵ」）又は（アクセラレータ、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、グラフィックス・プロセッサなどを含む）他のプロセッサ、メモリ・ストレージ・デバイス８１８（１）～８１８（Ｎ）（たとえば、ダイナミック読取り専用メモリ、ソリッド・ステート・ストレージ又はディスク・ドライブ）、ネットワーク入力／出力（「ＮＷ Ｉ／Ｏ」：ｎｅｔｗｏｒｋ ｉｎｐｕｔ／ｏｕｔｐｕｔ）デバイス、ネットワーク・スイッチ、仮想機械（「ＶＭ」：ｖｉｒｔｕａｌ ｍａｃｈｉｎｅ）、電源モジュール、及び冷却モジュールなどを含んでもよいが、これらに限定されない。少なくとも一実施例では、ノードＣ．Ｒ．８１６（１）～８１６（Ｎ）の中からの１つ又は複数のノードＣ．Ｒ．は、上で言及したコンピューティング・リソースのうち１つ又は複数を有するサーバであってもよい。
【0076】
少なくとも一実施例では、グループ化済みコンピューティング・リソース８１４は、１つ若しくは複数のラック（図示せず）内に収容されたノードＣ．Ｒ．の別々のグループ、又は様々な地理的ロケーション（同じく図示せず）においてデータ・センタに収容された多数のラックを含んでもよい。少なくとも一実施例では、グループ化済みコンピューティング・リソース８１４内のノードＣ．Ｒ．の別々のグループは、１つ若しくは複数のワークロードをサポートするように構成又は配分されてもよいグループ化済みのコンピュート・リソース、ネットワーク・リソース、メモリ・リソース、又はストレージ・リソースを含んでもよい。少なくとも一実施例では、ＣＰＵ又はプロセッサを含むいくつかのノードＣ．Ｒ．は、１つ又は複数のラック内でグループ化されて、１つ又は複数のワークロードをサポートするためのコンピュート・リソースが提供されてもよい。少なくとも一実施例では、１つ又は複数のラックはまた、任意の数の電源モジュール、冷却モジュール、及びネットワーク・スイッチを任意の組合せで含んでもよい。
【0077】
少なくとも一実施例では、リソース・オーケストレータ８１２は、１つ又は複数のノードＣ．Ｒ．８１６（１）～８１６（Ｎ）及び／若しくはグループ化済みコンピューティング・リソース８１４を構成してもよく、又は他のやり方で制御してもよい。少なくとも一実施例では、リソース・オーケストレータ８１２は、データ・センタ８００用のソフトウェア設計インフラストラクチャ（「ＳＤＩ」：ｓｏｆｔｗａｒｅ ｄｅｓｉｇｎ ｉｎｆｒａｓｔｒｕｃｔｕｒｅ）管理エンティティを含んでもよい。少なくとも一実施例では、リソース・オーケストレータ６１２は、ハードウェア、ソフトウェア、又はこれらの何らかの組合せを含んでもよい。
【0078】
図８に示す少なくとも一実施例では、フレームワーク層８２０は、ジョブ・スケジューラ８２２、構成マネージャ８２４、リソース・マネージャ８２６、及び分配ファイル・システム８２８を含む。少なくとも一実施例では、フレームワーク層８２０は、ソフトウェア層８３０のソフトウェア８３２、及び／又はアプリケーション層８４０の１つ若しくは複数のアプリケーション８４２をサポートするためのフレームワークを含んでもよい。少なくとも一実施例では、ソフトウェア８３２又はアプリケーション８４２はそれぞれ、アマゾン・ウェブ・サービス、グーグル・クラウド、及びマイクロソフト・アジュールによって提供されるものなど、ウェブ・ベースのサービス・ソフトウェア又はアプリケーションを含んでもよい。少なくとも一実施例では、フレームワーク層８２０は、大規模なデータ処理（たとえば「ビック・データ」）のために分配ファイル・システム８２８を使用することができるＡｐａｃｈｅ Ｓｐａｒｋ（登録商標）（以下「Ｓｐａｒｋ」）など、無料でオープン・ソースのソフトウェア・ウェブ・アプリケーション・フレームワークの一種であってもよいが、これに限定されない。少なくとも一実施例では、ジョブ・スケジューラ８２２は、データ・センタ８００の様々な層によってサポートされるワークロードのスケジューリングを容易にするために、Ｓｐａｒｋドライバを含んでもよい。少なくとも一実施例では、構成マネージャ８２４は、ソフトウェア層８３０、並びに大規模なデータ処理をサポートするためのＳｐａｒｋ及び分配ファイル・システム８２８を含むフレームワーク層８２０などの異なる層を構成することが可能であってもよい。少なくとも一実施例では、リソース・マネージャ８２６は、分配ファイル・システム８２８及びジョブ・スケジューラ８２２をサポートするようにマッピング若しくは配分されたクラスタ化済み又はグループ化済みのコンピューティング・リソースを管理することが可能であってもよい。少なくとも一実施例では、クラスタ化済み又はグループ化済みのコンピューティング・リソースは、データ・センタ・インフラストラクチャ層８１０にあるグループ化済みコンピューティング・リソース８１４を含んでもよい。少なくとも一実施例では、リソース・マネージャ８２６は、リソース・オーケストレータ８１２と連携して、これらのマッピング又は配分されたコンピューティング・リソースを管理してもよい。
【0079】
少なくとも一実施例では、ソフトウェア層８３０に含まれるソフトウェア８３２は、ノードＣ．Ｒ．８１６（１）～８１６（Ｎ）、グループ化済みコンピューティング・リソース８１４、及び／又はフレームワーク層８２０の分配ファイル・システム８２８のうちの少なくとも一部分によって使用されるソフトウェアを含んでもよい。少なくとも一実施例では、１つ又は複数のタイプのソフトウェアは、インターネット・ウェブ・ページ検索ソフトウェア、電子メール・ウイルス・スキャン・ソフトウェア、データベース・ソフトウェア、及びストリーミング・ビデオ・コンテンツ・ソフトウェアを含んでもよいが、これらに限定されない。
【0080】
少なくとも一実施例では、アプリケーション層８４０に含まれるアプリケーション８４２は、ノードＣ．Ｒ．８１６（１）～８１６（Ｎ）、グループ化済みコンピューティング・リソース８１４、及び／又はフレームワーク層８２０の分配ファイル・システム８２８のうちの少なくとも一部分によって使用される１つ若しくは複数のタイプのアプリケーションを含んでもよい。少なくとも一実施例では、１つ若しくは複数のタイプのアプリケーションは、任意の数のゲノム学アプリケーション、認識コンピュート、並びに訓練若しくは推論のソフトウェア、機械学習フレームワーク・ソフトウェア（たとえば、ＰｙＴｏｒｃｈ、ＴｅｎｓｏｒＦｌｏｗ、Ｃａｆｆｅなど）を含むアプリケーション及び機械学習アプリケーション、又は１つ若しくは複数の実施例と併せて使用される他の機械学習アプリケーションを含んでもよいが、これらに限定されない。
【0081】
少なくとも一実施例では、構成マネージャ８２４、リソース・マネージャ８２６、及びリソース・オーケストレータ８１２のうちのいずれかは、任意の技術的に実行可能なやり方で取得された任意の量及びタイプのデータに基づき、任意の数及びタイプの自己修正措置を実装してもよい。少なくとも一実施例では、自己修正措置は、データ・センタ８００のデータ・センタ・オペレータが、不良の恐れのある構成を決定しないようにし、十分に利用されていない且つ／又は性能の低いデータ・センタの部分をなくせるようにしてもよい。
【0082】
少なくとも一実施例では、データ・センタ８００は、１つ若しくは複数の機械学習モデルを訓練し、又は本明細書に記載の１つ若しくは複数の実施例による１つ若しくは複数の機械学習モデルを使用して情報を予測若しくは推論するためのツール、サービス、ソフトウェア、又は他のリソースを含んでもよい。たとえば、少なくとも一実施例では、機械学習モデルは、データ・センタ８００に関して上述したソフトウェア及びコンピューティング・リソースを使用して、ニューラル・ネットワーク・アーキテクチャに従って重みパラメータを計算することによって、訓練されてもよい。少なくとも一実施例では、１つ又は複数のニューラル・ネットワークに対応する訓練済み機械学習モデルは、本明細書に記載の１つ又は複数の技法によって計算された重みパラメータを使用することにより、データ・センタ８００に関して上述したリソースを使用して、情報を推論又は予測するために使用されてもよい。
【0083】
少なくとも一実施例では、データ・センタは、上述したリソースを使用して訓練及び／又は推論を実行するために、ＣＰＵ、特定用途向け集積回路（ＡＳＩＣ）、ＧＰＵ、ＦＰＧＡ、又は他のハードウェアを使用してもよい。さらに、上述した１つ又は複数のソフトウェア及び／又はハードウェアのリソースは、画像認識、音声認識、又は他の人工知能サービスなどの情報の訓練又は推論の実行を、ユーザが行えるようにするためのサービスとして構成されてもよい。
【0084】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５は、本明細書に記載のニューラル・ネットワークの訓練動作、ニューラル・ネットワークの機能及び／若しくはアーキテクチャ、又はニューラル・ネットワークのユース・ケースを使用して計算された重みパラメータに少なくとも部分的に基づき、推論又は予測の動作のために図８のシステムにおいて使用されてもよい。
【0085】
少なくとも一実施例では、図６に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図６に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図６に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0086】
自律車両
図９Ａは、少なくとも一実施例による自律車両９００の実例を示す。少なくとも一実施例では、自律車両９００（或いは、本明細書において「車両９００」と呼ばれる）は、限定することなく、車、トラック、バス、及び／又は１人若しくは複数の乗員を収容する別のタイプの車両などの乗用車とすることができる。少なくとも一実施例では、車両９００は、貨物運搬用のセミトラクタのトレーラ・トラックであってもよい。少なくとも一実施例では、車両９００は、航空機、ロボット車両、又は他の種類の車両であってもよい。
図９Ａは、少なくとも一実施例による自律車両９００の実例を示す。少なくとも一実施例では、自律車両９００（或いは、本明細書において「車両９００」と呼ばれる）は、限定することなく、車、トラック、バス、及び／又は１人若しくは複数の乗員を収容する別のタイプの車両などの乗用車とすることができる。少なくとも一実施例では、車両９００は、貨物運搬用のセミトラクタのトレーラ・トラックであってもよい。少なくとも一実施例では、車両９００は、航空機、ロボット車両、又は他の種類の車両であってもよい。
【0087】
自律車両は、米国運輸省の一部門である全米高速道路交通安全局（「ＮＨＴＳＡ」：Ｎａｔｉｏｎａｌ Ｈｉｇｈｗａｙ Ｔｒａｆｆｉｃ Ｓａｆｅｔｙ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ）、及び自動車技術者協会（「ＳＡＥ」：Ｓｏｃｉｅｔｙ ｏｆ Ａｕｔｏｍｏｔｉｖｅ Ｅｎｇｉｎｅｅｒｓ）の「自動車用運転自動化システムのレベル分類及び定義（Ｔａｘｏｎｏｍｙ ａｎｄ Ｄｅｆｉｎｉｔｉｏｎｓ ｆｏｒ Ｔｅｒｍｓ Ｒｅｌａｔｅｄ ｔｏ Ｄｒｉｖｉｎｇ Ａｕｔｏｍａｔｉｏｎ Ｓｙｓｔｅｍｓ ｆｏｒ Ｏｎ－Ｒｏａｄ Ｍｏｔｏｒ Ｖｅｈｉｃｌｅｓ）」（たとえば、２０１８年６月１５日発行の規格Ｎｏ．Ｊ３０１６－２０１８０６、２０１６年９月３０日発行の規格Ｎｏ．Ｊ３０１６－２０１６０９、及びこの規格の旧版及び新版）により定義される自動化レベルという観点から説明されてもよい。少なくとも一実施例では、車両９００は、自律運転レベルのレベル１～レベル５のうちの１つ又は複数による機能性に対応可能であってもよい。たとえば、少なくとも一実施例では、車両９００は、実施例に応じて、条件付き自動化（レベル３）、高度自動化（レベル４）、及び／又は完全自動化（レベル５）に対応可能であってもよい。
【0088】
少なくとも一実施例では、車両９００は、限定することなく、シャシ、車両本体、ホイール（２本、４本、６本、８本、１８本など）、タイヤ、車軸、及び車両の他の構成要素などの構成要素を含んでもよい。少なくとも一実施例では、車両９００は、限定することなく、内燃機関、ハイブリッド電力プラント、完全電気エンジン、及び／又は別のタイプの推進システムなどの推進システム９５０を含んでもよい。少なくとも一実施例では、推進システム９５０は、車両９００のドライブ・トレインに連結されてもよく、ドライブ・トレインは、限定することなく、車両９００の推進を可能にするためのトランスミッションを含んでもよい。少なくとも一実施例では、推進システム９５０は、スロットル／アクセル９５２からの信号を受信したことに応答して、制御されてもよい。
【0089】
少なくとも一実施例では、限定することなくハンドルを含んでもよい操縦システム９５４は、推進システム９５０が動作しているときに（たとえば、車両９００が動いているときに）車両９００を（たとえば所望の経路又はルートに沿って）操縦するために使用される。少なくとも一実施例では、操縦システム９５４は、操縦アクチュエータ９５６から信号を受信してもよい。少なくとも一実施例では、ハンドルは、完全自動化（レベル５）の機能性に関しては任意選択であってもよい。少なくとも一実施例では、ブレーキ・アクチュエータ９４８及び／又はブレーキ・センサからの信号を受信したことに応答して車両ブレーキを動作させるために、ブレーキ・センサ・システム９４６が使用されてもよい。
【0090】
少なくとも一実施例では、１つ又は複数のシステム・オン・チップ（「ＳｏＣ」：ｓｙｓｔｅｍ ｏｎ ｃｈｉｐ）（図９Ａには示さず）及び／若しくはグラフィックス・プロセッシング・ユニット（「ＧＰＵ」）を限定することなく含んでもよいコントローラ９３６は、車両９００の１つ又は複数の構成要素及び／若しくはシステムに（たとえば、コマンドを表す）信号を提供する。たとえば、少なくとも一実施例では、コントローラ９３６は、ブレーキ・アクチュエータ９４８を介して車両ブレーキを動作させるための信号、操縦アクチュエータ９５６を介して操縦システム９５４を動作させるための信号、スロットル／アクセル９５２を介して推進システム９５０を動作させるための信号を送信してもよい。少なくとも一実施例では、コントローラ９３６は、自律運転を可能にし、且つ／又は運転車両９００において人間のドライバを支援するために、センサ信号を処理し、動作コマンド（たとえばコマンドを表す信号）を出力する１つ又は複数の搭載（たとえば一体型の）コンピューティング・デバイス（たとえば、スーパーコンピュータ）を含んでもよい。少なくとも一実施例では、コントローラ９３６は、自律運転機能のための第１のコントローラ、機能的安全機能のための第２のコントローラ、人工知能機能（たとえば、コンピュータ・ビジョン）のための第３のコントローラ、インフォテイメント機能のための第４のコントローラ、緊急事態における冗長性のための第５のコントローラ、及び／又は他のコントローラを含んでもよい。少なくとも一実施例では、単一のコントローラが、上記機能性のうちの２つ以上に対処してもよく、２つ以上のコントローラが、単一の機能性に対処してもよく、且つ／又はこれらの何らかの組合せであってもよい。
【0091】
少なくとも一実施例では、コントローラ９３６は、１つ又は複数のセンサから受信したセンサ・データ（たとえば、センサ入力）に応答して、車両９００の１つ若しくは複数の構成要素及び／又はシステムを制御するための信号を提供する。少なくとも一実施例では、センサ・データは、たとえば限定することなく、全地球的航法衛星システム（「ＧＮＳＳ」：ｇｌｏｂａｌ ｎａｖｉｇａｔｉｏｎ ｓａｔｅｌｌｉｔｅ ｓｙｓｔｅｍ）センサ９５８（たとえば、全地球測位システム・センサ）、ＲＡＤＡＲセンサ９６０、超音波センサ９６２、ＬＩＤＡＲセンサ９６４、慣性計測装置（「ＩＭＵ」：ｉｎｅｒｔｉａｌ ｍｅａｓｕｒｅｍｅｎｔ ｕｎｉｔ）センサ９６６（たとえば、加速度計、ジャイロスコープ、１つ又は複数の磁気コンパス、磁力計など）、マイクロフォン９９６、ステレオ・カメラ９６８、広角カメラ９７０（たとえば、魚眼カメラ）、赤外線カメラ９７２、周囲カメラ９７４（たとえば、３６０度カメラ）、長距離カメラ（図９Ａには示さず）、中距離カメラ（図９Ａには示さず）、（たとえば、車両９００のスピードを計測するための）スピード・センサ９４４、振動センサ９４２、操縦センサ９４０、（たとえば、ブレーキ・センサ・システム９４６の一部分としての）ブレーキ・センサ、及び／又は他のタイプのセンサから、受信されてもよい。
【0092】
少なくとも一実施例では、コントローラ９３６のうちの１つ又は複数は、車両９００の計器クラスタ９３２からの（たとえば入力データによって表される）入力を受信し、ヒューマン・マシン・インターフェース（「ＨＭＩ」：ｈｕｍａｎ－ｍａｃｈｉｎｅ ｉｎｔｅｒｆａｃｅ）ディスプレイ９３４、可聴アナンシエータ、拡声器を介して、且つ／又は車両９００の他の構成要素を介して、（たとえば、出力データ、ディスプレイ・データなどによって表される）出力を提供してもよい。少なくとも一実施例では、出力は、車両速度、スピード、時間、地図データ（たとえば、ハイ・デフィニション・マップ（図９Ａには示さず））、ロケーション・データ（たとえば、地図上などの車両９００のロケーション）、方向、他車両のロケーション（たとえば、占有グリッド）、コントローラ９３６が感知した物体及び物体の状態についての情報などの情報を含んでもよい。たとえば、少なくとも一実施例では、ＨＭＩディスプレイ９３４は、１つ若しくは複数の物体（たとえば、道路標識、警告標識、信号の変化など）の存在についての情報、及び／又は車両が行った、行っている、又はこれから行う運転操作についての情報（たとえば、現在車線変更中、３．２２ｋｍ（２マイル）先の出口３４Ｂを出る、など）を表示してもよい。
【0093】
少なくとも一実施例では、車両９００はさらにネットワーク・インターフェース９２４を含み、このネットワーク・インターフェース９２４は、１つ又は複数のネットワークを介して通信するためのワイヤレス・アンテナ９２６及び／又はモデムを使用してもよい。たとえば、少なくとも一実施例では、ネットワーク・インターフェース９２４は、ロング・ターム・エボリューション（「ＬＴＥ」：Ｌｏｎｇ－Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）、広帯域符号分割多元接続（「WCDMA（登録商標）」：Ｗｉｄｅｂａｎｄ Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ）、ユニバーサル・モバイル・テレコミュニケーション・システム（「ＵＭＴＳ」：Ｕｎｉｖｅｒｓａｌ Ｍｏｂｉｌｅ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｙｓｔｅｍ）、グローバル・システム・フォー・モバイル・コミュニケーション（「ＧＳＭ」：Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ ｃｏｍｍｕｎｉｃａｔｉｏｎ）、ＩＭＴ－ＣＤＭＡマルチキャリア（「ＣＤＭＡ２０００」）ネットワークなどを介して通信可能であってもよい。また、少なくとも一実施例では、ワイヤレス・アンテナ９２６は、Ｂｌｕｅｔｏｏｔｈ、Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ（「ＬＥ」：Ｌｏｗ Ｅｎｅｒｇｙ）、Ｚ－Ｗａｖｅ、ＺｉｇＢｅｅなどのローカル・エリア・ネットワーク、及び／又はＬｏＲａＷＡＮ、ＳｉｇＦｏｘ等のプロトコルなどの低電力広域ネットワーク（「ＬＰＷＡＮ」：ｌｏｗ ｐｏｗｅｒ ｗｉｄｅ－ａｒｅａ ｎｅｔｗｏｒｋ）を使用して、環境内の物体同士間（たとえば車両、モバイル・デバイスなど）での通信を可能にしてもよい。
【0094】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５は、本明細書に記載のニューラル・ネットワークの訓練動作、ニューラル・ネットワークの機能及び／若しくはアーキテクチャ、又はニューラル・ネットワークのユース・ケースを使用して計算された重みパラメータに少なくとも部分的に基づき、推論又は予測の動作のために図９Ａのシステムにおいて使用されてもよい。
【0095】
少なくとも一実施例では、図９Ａに描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図９Ａに描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図９Ａに描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0096】
図９Ｂは、少なくとも一実施例による図９Ａの自律車両９００についてカメラのロケーション及び視野の実例を示す。少なくとも一実施例では、カメラ及びそれぞれの視野は、一実例の実施例であり、限定するものではない。たとえば、少なくとも一実施例では、追加及び／又は代替のカメラが含まれてもよく、且つ／又はカメラが車両９００の異なるロケーションに位置付けられてもよい。
【0097】
少なくとも一実施例では、カメラのカメラ・タイプは、車両９００の構成要素及び／又はシステムとともに使用できるように適合されていてもよいデジタル・カメラを含んでもよいが、これに限定されない。少なくとも一実施例では、カメラは、自動車安全性要求レベル（「ＡＳＩＬ」：ａｕｔｏｍｏｔｉｖｅ ｓａｆｅｔｙ ｉｎｔｅｇｒｉｔｙ ｌｅｖｅｌ）Ｂ及び／又は別のＡＳＩＬにおいて動作してもよい。少なくとも一実施例では、カメラ・タイプは、実施例に応じて、毎秒６０フレーム（ｆｐｓ：ｆｒａｍｅｓ ｐｅｒ ｓｅｃｏｎｄ）、１２２０ｆｐｓ、２４０ｆｐｓなど、任意の画像捕捉率に対応可能であってもよい。少なくとも一実施例では、カメラは、ロール・シャッタ、グローバル・シャッタ、別のタイプのシャッタ、又はこれらの組合せを使用することが可能であってもよい。少なくとも一実施例では、カラー・フィルタ・アレイは、赤色、クリア、クリア、クリア（「ＲＣＣＣ」：ｒｅｄ ｃｌｅａｒ ｃｌｅａｒ ｃｌｅａｒ）のカラー・フィルタ・アレイ、赤色、クリア、クリア、青色（「ＲＣＣＢ：ｒｅｄ ｃｌｅａｒ ｃｌｅａｒ ｂｌｕｅ」）のカラー・フィルタ・アレイ、赤色、青色、緑色、クリア（「ＲＢＧＣ」：ｒｅｄ ｂｌｕｅ ｇｒｅｅｎ ｃｌｅａｒ）のカラー・フィルタ・アレイ、Ｆｏｖｅｏｎ Ｘ３のカラー・フィルタ・アレイ、ベイヤー・センサ（「ＲＧＧＢ」）のカラー・フィルタ・アレイ、モノクロ・センサのカラー・フィルタ・アレイ、及び／又は別のタイプのカラー・フィルタ・アレイを含んでもよい。少なくとも一実施例では、光感度を上げるために、ＲＣＣＣ、ＲＣＣＢ、及び／又はＲＢＧＣのカラー・フィルタ・アレイを有するカメラなど、クリア・ピクセル・カメラが使用されてもよい。
【0098】
少なくとも一実施例では、カメラのうちの１つ又は複数を使用して、先進ドライバ支援システム（「ＡＤＡＳ」：ａｄｖａｎｃｅｄ ｄｒｉｖｅｒ ａｓｓｉｓｔａｎｃｅ ｓｙｓｔｅｍｓ）機能が（たとえば、冗長設計又はフェイル・セーフ設計の一部として）実行されてもよい。たとえば、少なくとも一実施例では、多機能モノ・カメラが設置されて、車線逸脱警告、交通標識支援、及びインテリジェント・ヘッドライト制御を含む機能が提供されてもよい。少なくとも一実施例では、カメラのうちの１つ又は複数（たとえばすべてのカメラ）は、画像データ（たとえばビデオ）の記録と提供を同時に行ってもよい。
【0099】
少なくとも一実施例では、１つ又は複数のカメラは、カメラの画像データ捕捉性能を妨げる恐れのある迷光及び車両９００内部からの反射（たとえば、ダッシュボードからフロントガラス・ミラーに反射される反射）をなくすために、カスタム設計の（３次元（「３Ｄ」：ｔｈｒｅｅ－ｄｉｍｅｎｓｉｏｎａｌ）印刷された）アセンブリなどの取付けアセンブリに取り付けられてもよい。ドアミラー取付けアセンブリを参照すると、少なくとも一実施例では、ドアミラー・アセンブリは、カメラ取付けプレートがドアミラーの形の合うように、カスタムで３Ｄ印刷されてもよい。少なくとも一実施例では、カメラは、ドアミラーと一体であってもよい。少なくとも一実施例では、サイド・ビュー・カメラについて、カメラはこの場合もキャビンの各角にある４本のピラーに一体化されてもよい。
【0100】
少なくとも一実施例では、車両９００前方の環境の一部分を含む視野を有するカメラ（たとえば正面カメラ）は周囲のビューに対して使用されて、正面の経路及び障害物を識別しやすくするとともに、コントローラ９３６及び／又は制御ＳｏＣのうちの１つ又は複数とともに使用されて、占有グリッドの生成及び／又は好ましい車両経路の判定に不可欠な情報の提供を補助してもよい。少なくとも一実施例では、正面カメラを使用して、緊急ブレーキ、歩行者検出、及び衝突回避を限定することなく含む、ＬＩＤＡＲと同様のＡＤＡＳ機能のうちの多くが実行されてもよい。少なくとも一実施例では、正面カメラはまた、車線逸脱警告（「ＬＤＷ」：Ｌａｎｅ Ｄｅｐａｒｔｕｒｅ Ｗａｒｎｉｎｇｓ）、自律クルーズ・コントロール（「ＡＣＣ」：Ａｕｔｏｎｏｍｏｕｓ Ｃｒｕｉｓｅ Ｃｏｎｔｒｏｌ）、及び／又は交通標識認識などの他の機能を限定することなく含むＡＤＡＳの機能及びシステムのために使用されてもよい。
【0101】
少なくとも一実施例では、たとえばＣＭＯＳ：ｃｏｍｐｌｅｍｅｎｔａｒｙ ｍｅｔａｌ ｏｘｉｄｅ ｓｅｍｉｃｏｎｄｕｃｔｏｒ（「相補型金属酸化膜半導体」）カラー撮像装置を含む単眼カメラのプラットフォームを含む様々なカメラが、正面構成で使用されてもよい。少なくとも一実施例では、周囲からビューに入ってくる物体（たとえば歩行者、クロス・トラフィック、又は自転車）を感知するために、広角カメラ９７０が使用されてもよい。図９Ｂには１つの広角カメラ９７０しか示していないが、他の実施例では、車両９００には（ゼロを含む）任意の数の広角カメラが存在してもよい。少なくとも一実施例では、特にニューラル・ネットワークがそれに対してまだ訓練されていない物体について、深度ベースの物体検出のために、任意の数の長距離カメラ９９８（たとえば、長距離ビューのステレオ・カメラの対）が使用されてもよい。少なくとも一実施例では、長距離カメラ９９８はまた、物体検出及び分類、並びに基本的な物体追跡に使用されてもよい。
【0102】
少なくとも一実施例では、任意の数のステレオ・カメラ９６８は、正面構成にも含まれてよい。少なくとも一実施例では、ステレオ・カメラ９６８のうちの１つ又は複数は、スケーラブルな処理ユニットを備えた一体型制御ユニットを含んでもよく、この制御ユニットは、一体型のコントローラ・エリア・ネットワーク（「ＣＡＮ」：Ｃｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ）又はイーサネット（登録商標）・インターフェースを単一チップ上に有するプログラム可能論理（「ＦＰＧＡ」）及びマルチ・コア・マイクロプロセッサを提供してもよい。少なくとも一実施例では、こうしたユニットは、画像内のすべての点に対する距離推定を含め、車両９００の環境の３Ｄマップを生成するのに使用されてもよい。少なくとも一実施例では、ステレオ・カメラ９６８のうちの１つ又は複数は、限定することなくコンパクト・ステレオ・ビジョン・センサを含んでもよく、このセンサは、車両９００からターゲット物体までの距離を測定し、生成された情報（たとえば、メタデータ）を使用して自律緊急ブレーキ及び車線逸脱警告の機能をアクティブ化することができる２つのカメラ・レンズ（左右に１つずつ）及び画像処理チップを、限定することなく含んでもよい。少なくとも一実施例では、本明細書に記載のものに加えて、又はその代わりに、他のタイプのステレオ・カメラ９６８が使用されてもよい。
【0103】
少なくとも一実施例では、車両９００の側方の環境の一部分を含む視野を有するカメラ（たとえば、サイド・ビュー・カメラ）が、周囲のビューのために使用されて、占有グリッドの作製及び更新、並びに側面衝突警告の生成のために使用される情報を提供してもよい。たとえば、少なくとも一実施例では、周囲カメラ９７４（たとえば図９Ｂに示すように４つの周囲カメラ）を、車両９００に配置することができる。少なくとも一実施例では、周囲カメラ９７４は、限定することなく、任意の数及び組合せの広角カメラ、魚眼カメラ、３６０度カメラ及び／又は同様のカメラを含んでもよい。たとえば、少なくとも一実施例では、４つの魚眼カメラが、車両９００の前方、後方、及び側方に配置されてもよい。少なくとも一実施例では、車両９００は、３つの周囲カメラ９７４（たとえば、左、右、及び後方）を使用してもよく、第４の周囲カメラとして、１つ又は複数の他のカメラ（たとえば正面カメラ）を活用してもよい。
【0104】
少なくとも一実施例では、車両９００後方の環境の一部分を含む視野を有するカメラ（たとえば、リア・ビュー・カメラ）が、駐車支援、周囲のビュー、後方衝突警告のために使用されて、占有グリッドの作製及び更新がなされてもよい。少なくとも一実施例では、本明細書に記載の正面カメラとしても好適なカメラ（たとえば、長距離カメラ９９８、及び／又は中距離カメラ９７６、ステレオ・カメラ９６８、赤外線カメラ９７２など）を含むが、これらに限定されない多種多様なカメラが使用されてもよい。
【0105】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５は、本明細書に記載のニューラル・ネットワークの訓練動作、ニューラル・ネットワークの機能及び／若しくはアーキテクチャ、又はニューラル・ネットワークのユース・ケースを使用して計算された重みパラメータに少なくとも部分的に基づき、推論又は予測の動作のために図９Ｂのシステムにおいて使用されてもよい。
【0106】
少なくとも一実施例では、図９Ｂに描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図９Ｂに描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図９Ｂに描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0107】
図９Ｃは、少なくとも一実施例による図９Ａの自律車両９００の例示的システム・アーキテクチャを示すブロック図である。少なくとも一実施例では、図９Ｃの車両９００の構成要素、特徴、及びシステムのそれぞれは、バス９０２を介して接続されるものとして示される。少なくとも一実施例では、バス９０２は、限定することなく、ＣＡＮデータ・インターフェース（或いは、本明細書において（ＣＡＮバス）と呼ばれる）を含んでもよい。少なくとも一実施例では、ＣＡＮは、ブレーキの作動、加速、ブレーキ、操縦、フロントガラス・ワイパなど、車両９００の様々な特徴及び機能の制御を補助するために使用される車両９００内部のネットワークであってもよい。少なくとも一実施例では、バス９０２は、それぞれが独自の一意の識別子（たとえばＣＡＮ ＩＤ）を有する数十又はさらには数百のノードを有するように構成されてもよい。少なくとも一実施例では、バス９０２は、ハンドル角度、対地スピード、エンジンの毎分回転数（「ＲＰＭ」：ｒｅｖｏｌｕｔｉｏｎｓ ｐｅｒ ｍｉｎｕｔｅ）、ボタン位置、及び／又は他の車両状態インジケータを見いだすように読み取られてもよい。少なくとも一実施例では、バス９０２は、ＡＳＩＬ Ｂに準拠したＣＡＮバスであってもよい。
【0108】
少なくとも一実施例では、ＣＡＮに加えて、又はその代わりに、ＦｌｅｘＲａｙ及び／又はイーサネット（登録商標）プロトコルが使用されてもよい。少なくとも一実施例では、バス９０２を形成する任意の数のバスが存在してもよく、これには、限定することなく、ゼロ以上のＣＡＮバス、ゼロ以上のＦｌｅｘＲａｙバス、ゼロ以上のイーサネット（登録商標）バス、及び／又は他のプロトコルを使用するゼロ以上の他のタイプのバスが含まれてもよい。少なくとも一実施例では、２つ以上のバスを使用して異なる機能が実行されてもよく、且つ／又はそれらを使用して冗長性が与えられてもよい。たとえば、第１のバスが衝突回避機能のために使用され、第２のバスが作動制御のために使用されてもよい。少なくとも一実施例では、バス９０２の各バスは、車両９００の構成要素のいずれかと通信してもよく、バス９０２のうちの２つ以上のバスが対応する構成要素と通信してもよい。少なくとも一実施例では、任意の数のシステム・オン・チップ（「ＳｏＣ」）９０４（ＳｏＣ９０４（Ａ）及びＳｏＣ９０４（Ｂ）など）のそれぞれ、コントローラ９３６のそれぞれ、及び／又は車両内の各コンピュータは、同じ入力データ（たとえば、車両９００のセンサからの入力）にアクセス可能であってもよく、ＣＡＮバスなどの共通のバスに接続されてもよい。
【0109】
少なくとも一実施例では、車両９００は、図９Ａに関して本明細書に記載するものなど、１つ又は複数のコントローラ９３６を含んでもよい。少なくとも一実施例では、コントローラ９３６は、様々な機能に使用されてもよい。少なくとも一実施例では、コントローラ９３６は、車両９００の様々な他の構成要素及びシステムのうちの任意のものに結合されてもよく、車両９００、車両９００の人工知能、車両９００のインフォテイメント及び／又は他の機能の制御に使用されてもよい。
【0110】
少なくとも一実施例では、車両９００は、任意の数のＳｏＣ９０４を含んでもよい。少なくとも一実施例では、ＳｏＣ９０４のそれぞれは、限定することなく、中央処理装置（「ＣＰＵ」）９０６、グラフィックス・プロセッシング・ユニット（「ＧＰＵ」）９０８、プロセッサ９１０、キャッシュ９１２、アクセラレータ９１４、データ・ストア９１６、及び／又は図示していない他の構成要素及び特徴を含んでもよい。少なくとも一実施例では、車両９００を様々なプラットフォーム及びシステムにおいて制御するために、ＳｏＣ９０４が使用されてもよい。たとえば、少なくとも一実施例では、ＳｏＣ９０４は、１つ又は複数のサーバ（図９Ｃには示さず）からネットワーク・インターフェース９２４を介して地図のリフレッシュ及び／又は更新を得ることができるハイ・デフィニション（「ＨＤ」：Ｈｉｇｈ Ｄｅｆｉｎｉｔｉｏｎ）マップ９２２を有するシステム（たとえば車両９００のシステム）に組み込まれてもよい。
【0111】
少なくとも一実施例では、ＣＰＵ９０６は、ＣＰＵクラスタ、又はＣＰＵコンプレックス（或いは本明細書において「ＣＣＰＬＥＸ」と呼ばれる）を含んでもよい。少なくとも一実施例では、ＣＰＵ９０６は、複数のコア及び／又はレベル２（「Ｌ２」）キャッシュを含んでもよい。たとえば、少なくとも一実施例では、ＣＰＵ９０６は、コヒーレントなマルチプロセッサ構成において８つのコアを含んでもよい。少なくとも一実施例では、ＣＰＵ９０６は、４つのデュアルコア・クラスタを含んでもよく、ここで各クラスタは、専用のＬ２キャッシュ（たとえば、２メガバイト（ＭＢ）のＬ２キャッシュ）を有する。少なくとも一実施例では、ＣＰＵ９０６（たとえば、ＣＣＰＬＥＸ）は、ＣＰＵ９０６のクラスタの任意の組合せを、任意の所与の時間にアクティブ化できるようにする同時のクラスタ動作をサポートするように構成されてもよい。
【0112】
少なくとも一実施例では、ＣＰＵ９０６のうちの１つ又は複数は、電力管理機能を実装してもよく、この機能は限定することなく、以下の特徴のうちの１つ又は複数を含む：個々のハードウェア・ブロックが、アイドル時に自動的にクロックゲート制御されて動的電力を節約することができる；割込み待ち（「ＷＦＩ」：Ｗａｉｔ ｆｏｒ Ｉｎｔｅｒｒｕｐｔ）／イベント待ち（「ＷＦＥ」：Ｗａｉｔ ｆｏｒ Ｅｖｅｎｔ）命令の実行に起因してコアが能動的に命令を実行していないとき、各コア・クロックをゲート制御することができる；各コアを独立して電力ゲート制御することができる；すべてのコアがクロックゲート制御又は電力ゲート制御されるとき、各コア・クラスタを独立してクロックゲート制御することができる；且つ／又はすべてのコアが電力ゲート制御されるとき、各コア・クラスタを独立して電力ゲート制御することができる。少なくとも一実施例では、ＣＰＵ９０６はさらに、電力状態を管理するための拡張アルゴリズムを実装してもよく、ここで、許容された電力状態及び予想されるウェイクアップ時間が指定され、コア、クラスタ、及びＣＣＰＬＥＸが入るべき最良の電力状態はどれかを、ハードウェア／マイクロコードが判定する。少なくとも一実施例では、処理コアは、作業がマイクロコードにオフロードされた状態で、電力状態に入る簡単なシーケンスをソフトウェアにおいてサポートしてもよい。
【0113】
少なくとも一実施例では、ＧＰＵ９０８は、統合されたＧＰＵ（或いは、本明細書において「ｉＧＰＵ」と呼ばれる）を含んでもよい。少なくとも一実施例では、ＧＰＵ９０８は、プログラム可能であってもよく、並列なワークロードに対して効率的であってもよい。少なくとも一実施例では、ＧＰＵ９０８は、拡張テンソル命令セットを使用してもよい。少なくとも一実施例では、ＧＰＵ９０８は、１つ又は複数のストリーミング・マイクロプロセッサを含んでもよく、ここで各ストリーミング・マイクロプロセッサは、レベル１（「Ｌ１」）キャッシュ（たとえば少なくとも９６ＫＢのストレージ容量を有するＬ１キャッシュ）を含んでもよく、２つ以上のストリーミング・マイクロプロセッサは、Ｌ２キャッシュ（たとえば、５１２ＫＢのストレージ容量を有するＬ２キャッシュ）を共有してもよい。少なくとも一実施例では、ＧＰＵ９０８は、少なくとも８つのストリーミング・マイクロプロセッサを含んでもよい。少なくとも一実施例では、ＧＰＵ９０８は、コンピュート・アプリケーション・プログラミング・インターフェース（ＡＰＩ）を使用してもよい。少なくとも一実施例では、ＧＰＵ９０８は、１つ又は複数の並列なコンピューティング・プラットフォーム、及び／又はプログラミング・モジュール（たとえば、ＮＶＩＤＩＡのＣＵＤＡモデル）を使用してもよい。
【0114】
少なくとも一実施例では、ＧＰＵ９０８のうちの１つ又は複数は、自動車用及び組み込まれたユース・ケースにおいて最良の性能になるように電力最適化されてもよい。たとえば、少なくとも一実施例では、ＧＰＵ９０８は、フィン電界効果トランジスタ（「ＦｉｎＦＥＴ」：Ｆｉｎ ｆｉｅｌｄ－ｅｆｆｅｃｔ ｔｒａｎｓｉｓｔｏｒ）回路上で作製することができる。少なくとも一実施例では、各ストリーミング・マイクロプロセッサは、複数のブロックに区分けされた多数の混合精度の処理コアを組み込んでもよい。たとえば、限定することなく６４個のＰＦ３２コアと、３２個のＰＦ６４コアを、４つの処理ブロックに区分けすることができる。少なくとも一実施例では、各処理ブロックに、１６個のＦＰ３２コア、８個のＦＰ６４コア、１６個のＩＮＴ３２コア、深層学習の行列演算用の２つの混合精度のＮＶＩＤＩＡ Ｔｅｎｓｏｒコア、レベルゼロ（「Ｌ０」）命令キャッシュ、ワープ・スケジューラ、ディスパッチ・ユニット、及び／又は６４ＫＢのレジスタ・ファイルを配分することができる。少なくとも一実施例では、ストリーミング・マイクロプロセッサは、整数と浮動小数点の独立した並列のデータ経路を含み、計算とアドレッシング計算とを混用することによってワークロードの効率的な実行を実現してもよい。少なくとも一実施例では、ストリーミング・マイクロプロセッサは、独立したスレッド・スケジューリング機能を含み、並列スレッド間でよりきめ細かい同期及び連携を可能にしてもよい。少なくとも一実施例では、ストリーミング・マイクロプロセッサは、性能を向上させると同時にプログラミングを簡単にするために、Ｌ１データ・キャッシュと共有メモリ・ユニットの組合せを含んでもよい。
【0115】
少なくとも一実施例では、ＧＰＵ９０８のうちの１つ又は複数は、高帯域幅メモリ（「ＨＢＭ」：ｈｉｇｈ ｂａｎｄｗｉｄｔｈ ｍｅｍｏｒｙ）及び／又は１６ＧＢのＨＢＭ２メモリ・サブシステムを含み、いくつかの実例では、約９００ＧＢ／秒のピーク・メモリ帯域幅を提供してもよい。少なくとも一実施例では、ＨＢＭメモリに加えて、又はその代わりに、グラフィックス・ダブル・データ・レート・タイプの５つの同期ランダム・アクセス・メモリ（「ＧＤＤＲ５」：ｇｒａｐｈｉｃｓ ｄｏｕｂｌｅ ｄａｔａ ｒａｔｅ ｔｙｐｅ ｆｉｖｅ）などの同期グラフィックス・ランダム・アクセス・メモリ（「ＳＧＲＡＭ」：ｓｙｎｃｈｒｏｎｏｕｓ ｇｒａｐｈｉｃｓ ｒａｎｄｏｍ－ａｃｃｅｓｓ ｍｅｍｏｒｙ）が使用されてもよい。
【0116】
少なくとも一実施例では、ＧＰＵ９０８は、統合メモリ技術を含んでもよい。少なくとも一実施例では、アドレス・トランスレーション・サービス（「ＡＴＳ」：ａｄｄｒｅｓｓ ｔｒａｎｓｌａｔｉｏｎ ｓｅｒｖｉｃｅｓ）サポートを使用して、ＧＰＵ９０８が、ＣＰＵ９０６のページ・テーブルに直接アクセスできるようにしてもよい。少なくとも一実施例では、ＧＰＵ９０８メモリ管理ユニット（「ＭＭＵ」：ｍｅｍｏｒｙ ｍａｎａｇｅｍｅｎｔ ｕｎｉｔ）のＧＰＵがミスに遭遇したときには、アドレス・トランスレーション要求が、ＣＰＵ９０６に送信されてもよい。少なくとも一実施例では、それに応答して、ＣＰＵ９０６のうちの２つのＣＰＵは、自らのページ・テーブルで、仮想から物理へのアドレスのマッピングを探し、トランスレーションをＧＰＵ９０８に送り返してもよい。少なくとも一実施例では、統合メモリ技術は、ＣＰＵ９０６とＧＰＵ９０８の両方のメモリに対して単一の統合された仮想アドレス空間を与えることを可能にし得、それにより、ＧＰＵ９０８のプログラミング、及びＧＰＵ９０８へのアプリケーションの移植を簡単にする。
【0117】
少なくとも一実施例では、ＧＰＵ９０８は、他のプロセッサのメモリへのＧＰＵ９０８のアクセス頻度を記録することができる任意の数のアクセス・カウンタを含んでもよい。少なくとも一実施例では、アクセス・カウンタは、最も頻繁にページにアクセスしているプロセッサの物理メモリに、メモリ・ページが確実に移動されるのを補助し、それにより、プロセッサ間で共有されるメモリ範囲の効率を向上させてもよい。
【0118】
少なくとも一実施例では、ＳｏＣ９０４のうちの１つ又は複数は、本明細書に記載のものを含む任意の数のキャッシュ９１２を含んでもよい。たとえば、少なくとも一実施例では、キャッシュ９１２は、ＣＰＵ９０６もＧＰＵ９０８も利用可能な（たとえば、ＣＰＵ９０６及びＧＰＵ９０８に接続された）レベル３（「Ｌ３」）キャッシュを含むことができる。少なくとも一実施例では、キャッシュ９１２は、キャッシュ・コヒーレンス・プロトコルなど（たとえば、ＭＥＩ、ＭＥＳＩ、ＭＳＩなど）を使用することにより、線の状態を記録することができるライト・バック・キャッシュを含んでもよい。少なくとも一実施例では、Ｌ３キャッシュは、実施例に応じて４ＭＢのメモリ以上を含んでもよいが、より小さいキャッシュ・サイズが使用されてもよい。
【0119】
少なくとも一実施例では、ＳｏＣ９０４のうちの１つ又は複数は、１つ又は複数のアクセラレータ９１４（たとえば、ハードウェア・アクセラレータ、ソフトウェアアクセラレータ、又はこれらの組合せ）を含んでもよい。少なくとも一実施例では、ＳｏＣ９０４は、最適化されたハードウェア・アクセラレータ及び／又は大型のオン・チップ・メモリを含むことができるハードウェア加速クラスタを含んでもよい。少なくとも一実施例では、大型のオン・チップ・メモリ（たとえば、４ＭＢのＳＲＡＭ）は、ハードウェア加速クラスタが、ニューラル・ネットワーク及び他の計算を加速できるようにしてもよい。少なくとも一実施例では、ハードウェア加速クラスタを使用して、ＧＰＵ９０８を補完し、ＧＰＵ９０８のタスクのうちのいくつかをオフロードしてもよい（たとえば、他のタスクを実行できるようにＧＰＵ９０８のサイクルをより多く解放してもよい）。少なくとも一実施例では、加速を受け入れるのに十分なほど安定している目的とするワークロード（たとえば、知覚、畳み込みニューラル・ネットワーク（「ＣＮＮ」）、再帰ニューラル・ネットワーク（「ＲＮＮ」：ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）など）のために、アクセラレータ９１４を使用することができる。少なくとも一実施例では、ＣＮＮは、領域ベースの、すなわち領域畳み込みニューラル・ネットワーク（「ＲＣＮＮ」：ｒｅｇｉｏｎａｌ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、及び（たとえば、物体検出に使用される）高速ＲＣＮＮ、又は他のタイプのＣＮＮを含んでもよい。
【0120】
少なくとも一実施例では、アクセラレータ９１４（たとえば、ハードウェア加速クラスタ）は、１つ又は複数の深層学習アクセラレータ（「ＤＬＡ」：ｄｅｅｐ ｌｅａｒｎｉｎｇ ａｃｃｅｌｅｒａｔｏｒ）を含んでもよい。少なくとも一実施例では、ＤＬＡは、限定することなく、１つ又は複数のＴｅｎｓｏｒ処理ユニット（「ＴＰＵ」：Ｔｅｎｓｏｒ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔｓ）を含んでもよく、このユニットは、深層学習アプリケーション及び推論のために、さらに毎秒１０兆の演算を提供するように構成されてもよい。少なくとも一実施例では、ＴＰＵは、画像処理機能（たとえば、ＣＮＮ、ＲＣＮＮなど）を実行するように構成され、そのために最適化されたアクセラレータであってもよい。少なくとも一実施例では、ＤＬＡはさらに、ニューラル・ネットワーク・タイプと浮動小数点演算の特定のセット、並びに推論のために最適化されてもよい。少なくとも一実施例では、ＤＬＡの設計により、典型的な汎用ＧＰＵよりもミリメートル当たりの性能を向上させることができ、典型的には、ＣＰＵの性能を大いに上回る。少なくとも一実施例では、ＴＰＵは、たとえば特徴と重みの両方のためのＩＮＴ８、ＩＮＴ１６、及びＦＰ１６のデータ型をサポートする単一インスタンスの畳み込み関数、並びにプロセッサ後関数を含む、いくつか関数を実行してもよい。少なくとも一実施例では、ＤＬＡは、たとえば、限定することなく、カメラ・センサからのデータを使用した物体識別及び検出のためのＣＮＮ、カメラ・センサからのデータを使用した距離推定のためのＣＮＮ、マイクロフォンからのデータを使用した緊急車両検出、及び識別、及び検出のためのＣＮＮ、カメラ・センサからのデータを使用した顔認識及び車両所有者識別ためのＣＮＮ、並びに／又はセキュリティ及び／若しくは安全に関するイベントのためのＣＮＮを含め、様々な機能のうちのいずれかのための処理済み若しくは未処理のデータに対して、迅速且つ効率的にニューラル・ネットワーク、特にＣＮＮを実行してもよい。
【0121】
少なくとも一実施例では、ＤＬＡは、ＧＰＵ９０８の任意の機能を実行してもよく、たとえば推論アクセラレータを使用することにより、設計者は、任意の機能のためにＤＬＡ又はＧＰＵ９０８のいずれかをターゲットにしてもよい。たとえば、少なくとも一実施例では、設計者は、ＣＮＮ及び浮動小数点演算の処理をＤＬＡに集中させ、他の機能をＧＰＵ９０８及び／又は他のアクセラレータ９１４に任せてもよい。
【0122】
少なくとも一実施例では、アクセラレータ９１４は、プログラマブル・ビジョン・アクセラレータ（「ＰＶＡ」：ｐｒｏｇｒａｍｍａｂｌｅ ｖｉｓｉｏｎ ａｃｃｅｌｅｒａｔｏｒ）を含んでもよく、このプログラマブル・ビジョン・アクセラレータは、本明細書において代替的にコンピュータ・ビジョン・アクセラレータと呼ばれてもよい。少なくとも一実施例では、ＰＶＡは、先進ドライバ支援システム（「ＡＤＡＳ」）９３８、自律運転、拡張現実（「ＡＲ」：ａｕｇｍｅｎｔｅｄ ｒｅａｌｉｔｙ）アプリケーション、及び／又は仮想現実（「ＶＲ」：ｖｉｒｔｕａｌ ｒｅａｌｉｔｙ）アプリケーションのために、コンピュータ・ビジョン・アルゴリズムを加速するように設計及び構成されてもよい。少なくとも一実施例では、ＰＶＡにより、性能と融通性との均衡が保たれてもよい。たとえば、少なくとも一実施例では、各ＰＶＡは、たとえば限定することなく、任意の数の縮小命令セット・コンピュータ（「ＲＩＳＣ」：ｒｅｄｕｃｅｄ ｉｎｓｔｒｕｃｔｉｏｎ ｓｅｔ ｃｏｍｐｕｔｅｒ）コア、ダイレクト・メモリ・アクセス（「ＤＭＡ」：ｄｉｒｅｃｔ ｍｅｍｏｒｙ ａｃｃｅｓｓ）、及び／又は任意の数のベクトル・プロセッサを含んでもよい。
【0123】
少なくとも一実施例では、ＲＩＳＣコアは、画像センサ（たとえば、本明細書に記載の任意のカメラの画像センサ）、画像信号プロセッサなどと相互作用してもよい。少なくとも一実施例では、各ＲＩＳＣコアは、任意の量のメモリを含んでもよい。少なくとも一実施例では、ＲＩＳＣコアは、実施例に応じて複数のプロトコルのうちの任意のものを使用してもよい。少なくとも一実施例では、ＲＩＳＣコアは、リアル・タイム・オペレーティング・システム（「ＲＴＯＳ」：ｒｅａｌ－ｔｉｍｅ ｏｐｅｒａｔｉｎｇ ｓｙｓｔｅｍ）を実行してもよい。少なくとも一実施例では、ＲＩＳＣコアは、１つ又は複数の集積回路デバイス、特定用途向け集積回路（「ＡＳＩＣ」）、及び／又はメモリ・デバイスを使用して実装されてもよい。たとえば、少なくとも一実施例では、ＲＩＳＣコアは、命令キャッシュ及び／又は密結合ＲＡＭを含むことができる。
【0124】
少なくとも一実施例では、ＤＭＡは、ＰＶＡの構成要素がＣＰＵ９０６とは無関係にシステム・メモリにアクセスできるようにしてもよい。少なくとも一実施例では、ＤＭＡは、多次元アドレッシング、及び／又はサーキュラ・アドレッシングをサポートすることを含むがこれらに限定されない、ＰＶＡに最適化を提供するために使用される任意の数の特徴をサポートしてもよい。少なくとも一実施例では、ＤＭＡは、６つ以上のアドレッシング次元までをサポートしてもよく、これには、限定することなく、ブロック幅、ブロック高さ、ブロック深度、水平ブロック・ステッピング、垂直ブロック・ステッピング、及び／又は深度ステッピングが含まれてもよい。
【0125】
少なくとも一実施例では、ベクトル・プロセッサは、コンピュータ・ビジョン・アルゴリズムのためのプログラミングを効率的でフレキシブルに実行するように設計されてもよいプログラム可能なプロセッサとすることができ、信号処理機能を提供する。少なくとも一実施例では、ＰＶＡは、ＰＶＡコアと、２つのベクトル処理サブシステム・パーティションを含んでもよい。少なくとも一実施例では、ＰＶＡコアは、プロセッサ・サブシステム、ＤＭＡエンジン（たとえば２つのＤＭＡエンジン）、及び／又は他の周辺装置を含んでもよい。少なくとも一実施例では、ベクトル処理サブシステムは、ＰＶＡの一次処理エンジンとして動作してもよく、ベクトル処理ユニット（「ＶＰＵ」：ｖｅｃｔｏｒ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、命令キャッシュ、及び／又はベクトル・メモリ（たとえば、「ＶＭＥＭ」）を含んでもよい。少なくとも一実施例では、ＶＰＵコアは、たとえば単一命令複数データ（「ＳＩＭＤ」：ｓｉｎｇｌｅ ｉｎｓｔｒｕｃｔｉｏｎ， ｍｕｌｔｉｐｌｅ ｄａｔａ）、超長命令語（「ＶＬＩＷ」：ｖｅｒｙ ｌｏｎｇ ｉｎｓｔｒｕｃｔｉｏｎ ｗｏｒｄ）のデジタル信号プロセッサなどのデジタル信号プロセッサを含んでもよい。少なくとも一実施例では、ＳＩＭＤとＶＬＩＷの組合せによって、スループット及びスピードが改善されてもよい。
【0126】
少なくとも一実施例では、ベクトル・プロセッサのそれぞれは、命令キャッシュを含んでもよく、専用のメモリに結合されてもよい。その結果、少なくとも一実施例では、ベクトル・プロセッサのそれぞれは、他のベクトル・プロセッサとは無関係に実行されるように構成されてもよい。少なくとも一実施例では、特定のＰＶＡに含まれるベクトル・プロセッサは、データ並列処理を用いるように構成されてもよい。たとえば、少なくとも一実施例では、単一のＰＶＡに含まれる複数のベクトル・プロセッサは、共通のコンピュータ・ビジョン・アルゴリズムを、ただし画像の異なる領域上で、実行してもよい。少なくとも一実施例では、特定のＰＶＡに含まれるベクトル・プロセッサは、異なるコンピュータ・ビジョン・アルゴリズムを１つの画像上で同時に実行してもよく、又はさらには、異なるアルゴリズムを連続した画像上で、若しくは画像の部分上で実行してもよい。少なくとも一実施例では、とりわけ、任意の数のＰＶＡがハードウェア加速クラスタに含まれてもよく、任意の数のベクトル・プロセッサが各ＰＶＡに含まれてもよい。少なくとも一実施例では、ＰＶＡは、システムの全体的な安全性を強化するために、追加のエラー訂正コード（「ＥＣＣ」：Ｅｒｒｏｒ Ｃｏｒｒｅｃｔｉｎｇ Ｃｏｄｅ）メモリを含んでもよい。
【0127】
少なくとも一実施例では、アクセラレータ９１４は、オン・チップのコンピュータ・ビジョン・ネットワーク、及びスタティック・ランダム・アクセス・メモリ（「ＳＲＡＭ」）を含み、アクセラレータ９１４のための高帯域幅、低レイテンシのＳＲＡＭを提供してもよい。少なくとも一実施例では、オン・チップ・メモリは、たとえば限定することなく、８つのフィールド設定可能なメモリ・ブロックを含む少なくとも４ＭＢのＳＲＡＭを含んでもよく、これは、ＰＶＡからもＤＬＡからもアクセス可能であってもよい。少なくとも一実施例では、メモリ・ブロックの各対は、アドバンスト・ペリフェラル・バス（「ＡＰＢ」：ａｄｖａｎｃｅｄ ｐｅｒｉｐｈｅｒａｌ ｂｕｓ）インターフェース、構成回路、コントローラ、及びマルチプレクサを含んでもよい。少なくとも一実施例では、任意のタイプのメモリが使用されてもよい。少なくとも一実施例では、ＰＶＡ及びＤＬＡは、メモリへの高速アクセスをＰＶＡ及びＤＬＡに提供するバックボーンを介して、メモリにアクセスしてもよい。少なくとも一実施例では、バックボーンは、ＰＶＡ及びＤＬＡを（たとえばＡＰＢを使用して）メモリに相互接続するオン・チップのコンピュータ・ビジョン・ネットワークを含んでもよい。
【0128】
少なくとも一実施例では、オン・チップのコンピュータ・ビジョン・ネットワークは、何らかの制御信号／アドレス／データを送信する前に、ＰＶＡとＤＬＡの両方が準備信号及び有効信号を提供することを判定するインターフェースを含んでもよい。少なくとも一実施例では、インターフェースは、制御信号／アドレス／データを送信するための別々の位相及び別々のチャネル、並びに継続的なデータ転送のためのバースト型通信を提供してもよい。少なくとも一実施例では、インターフェースは、国際標準化機構（「ＩＳＯ」：Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｏｒｇａｎｉｚａｔｉｏｎ ｆｏｒ Ｓｔａｎｄａｒｄｉｚａｔｉｏｎ）２６２６２又は国際電気標準会議（「ＩＥＣ」：Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｅｌｅｃｔｒｏｔｅｃｈｎｉｃａｌ Ｃｏｍｍｉｓｓｉｏｎ）６１５０８の規格に準拠してもよいが、他の規格及びプロトコルが使用されてもよい。
【0129】
少なくとも一実施例では、ＳｏＣ９０４のうちの１つ又は複数は、リアル・タイム・レイ・トレーシングのハードウェア・アクセラレータを含んでもよい。少なくとも一実施例では、リアル・タイム・レイ・トレーシングのハードウェア・アクセラレータを使用して、物体の（たとえば世界モデル内での）位置及び範囲が迅速且つ効率的に判定されて、ＲＡＤＡＲ信号解釈のため、音伝播合成及び／若しくは分析のため、ＳＯＮＡＲシステムのシミュレーションのため、一般波形の伝播シミュレーションのため、ローカリゼーション及び／若しくは他の機能を目的としたＬＩＤＡＲデータとの比較のため、並びに／又は他の使用法のためのリアル・タイムの可視化シミュレーションが生成されてもよい。
【0130】
少なくとも一実施例では、アクセラレータ９１４は、自律運転のための多様な使用法を有することができる。少なくとも一実施例では、ＰＶＡは、ＡＤＡＳ及び自律車両の主要な処理ステージに使用することができる。少なくとも一実施例では、ＰＶＡの性能は、低電力及び低レイテンシの予測可能な処理を必要とするアルゴリズム・ドメインに良好に適合する。言い換えれば、ＰＶＡは、低レイテンシ及び低電力の予測可能なラン・タイムを必要とするかもしれない半稠密（ｓｅｍｉ－ｄｅｎｓｅ）又は稠密な規則的計算に対して、データ・セットが小さくても良好に機能する。少なくとも一実施例では、車両９００内など、従来のコンピュータ・ビジョン・アルゴリズムを実行するようにＰＶＡが設計され得るが、これは、それらが、物体検出及び整数数値の演算に有効となり得るからである。
【0131】
たとえば、技術の少なくとも一実施例によれば、ＰＶＡを使用して、コンピュータ・ステレオ・ビジョンが実行されてもよい。少なくとも一実施例では、いくつかの例においてセミグローバル・マッチングに基づくアルゴリズムが使用されてもよいが、これは限定するものではない。少なくとも一実施例では、レベル３～５の自律運転のためのアプリケーションは、動き推定／ステレオ・マッチング（たとえば、動きからの構造化、歩行者認識、車線検出など）をオン・ザ・フライで使用する。少なくとも一実施例では、ＰＶＡは、２つの単眼カメラからの入力に対して、コンピュータ・ステレオ・ビジョン機能を実行してもよい。
【0132】
少なくとも一実施例では、ＰＶＡを使用して、高密度オプティカル・フローが実行されてもよい。たとえば、少なくとも一実施例では、ＰＶＡは、未加工のＲＡＤＡＲデータを（たとえば４Ｄの高速フーリエ変換を使用して）処理して、処理済みＲＡＤＡＲデータを提供することができる。少なくとも一実施例では、ＰＶＡは、飛行時間の深度処理に使用され、たとえば未加工の飛行時間データを処理することにより、処理済みの飛行時間データが提供される。
【0133】
少なくとも一実施例では、たとえば限定することなく、物体検出ごとに信頼性の尺度を出力するニューラル・ネットワークを含む、制御及び運転の安全性を強化するための任意のタイプのネットワークを実行するために、ＤＬＡが使用されてもよい。少なくとも一実施例では、信頼性は、他の検出と比較した各検出の確率として、若しくはその相対的な「重み」を提供するものとして表されても、又は解釈されてもよい。少なくとも一実施例では、信頼性尺度によって、どの検出を偽陽性検出ではなく真陽性検出とみなすべきかに関して、システムがさらなる判定を下せるようになる。少なくとも一実施例では、システムは、信頼性に対して閾値を設定し、閾値を超える検出だけを真陽性検出とみなしてもよい。自動緊急ブレーキ（「ＡＥＢ」：ａｕｔｏｍａｔｉｃ ｅｍｅｒｇｅｎｃｙ ｂｒａｋｉｎｇ）システムが使用される実施例では、偽陽性検出によって車両は自動的に緊急ブレーキをかけることになり、これは明らかに望ましくない。少なくとも一実施例では、非常に信頼性の高い検出が、ＡＥＢのトリガとみなされてもよい。少なくとも一実施例では、ＤＬＡは、信頼値を回帰するようにニューラル・ネットワークを実行してもよい。少なくとも一実施例では、ニューラル・ネットワークは、とりわけ境界ボックスの次元、（たとえば別のサブシステムから）取得した地面推定、車両９００の配向と相関しているＩＭＵセンサ９６６からの出力、距離、ニューラル・ネットワーク及び／又は他のセンサ（たとえば、ＬＩＤＡＲセンサ９６４若しくはＲＡＤＡＲセンサ９６０）から取得した物体の３Ｄロケーション推定などのパラメータの少なくともいくつかのサブセットを、その入力として取ってもよい。
【0134】
少なくとも一実施例では、ＳｏＣ９０４のうちの１つ又は複数は、データ・ストア９１６（たとえばメモリ）を含んでもよい。少なくとも一実施例では、データ・ストア９１６は、ＳｏＣ９０４のオン・チップ・メモリであってもよく、このメモリは、ＧＰＵ９０８及び／又はＤＬＡ上で実行されるニューラル・ネットワークを記憶してもよい。少なくとも一実施例では、データ・ストア９１６の容量は、冗長性及び安全性のためにニューラル・ネットワークの複数のインスタンスを記憶するのに十分なほど大きくてもよい。少なくとも一実施例では、データ・ストア９１６は、Ｌ２又はＬ３のキャッシュを備えてもよい。
【0135】
少なくとも一実施例では、ＳｏＣ９０４のうちの１つ又は複数は、任意の数のプロセッサ９１０（たとえば、組み込みプロセッサ）を含んでもよい。少なくとも一実施例では、プロセッサ９１０は、ブート電力並びに管理機能及び関連するセキュリティ執行に対処するための専用プロセッサ及びサブシステムであってもよいブート及び電力管理プロセッサを含んでもよい。少なくとも一実施例では、ブート及び電力管理プロセッサは、ＳｏＣ９０４のブート・シーケンスの一部であってもよく、ランタイム電力管理サービスを提供してもよい。少なくとも一実施例では、ブート電力及び管理プロセッサは、クロックと電圧のプログラミング、システムの低電力状態への移行の支援、ＳｏＣ９０４の熱及び温度センサの管理、並びに／又はＳｏＣ９０４の電力状態の管理を提供してもよい。少なくとも一実施例では、各温度センサは、その出力周波数が温度に比例するリング発振器として実装されてもよく、ＳｏＣ９０４は、リング発振器を使用して、ＣＰＵ９０６、ＧＰＵ９０８、及び／又はアクセラレータ９１４の温度を検出してもよい。少なくとも一実施例では、温度が閾値を超えると判定された場合には、ブート及び電力管理プロセッサは、温度不良ルーチンに入り、ＳｏＣ９０４を低電力状態にし、且つ／又は車両９００を運転手－安全停止モードにしても（たとえば、車両９００を安全停止させる）よい。
【0136】
少なくとも一実施例では、プロセッサ９１０はさらに、オーディオ処理エンジンとしての役割を果たすことができる組み込みプロセッサのセットを含んでもよく、これは、多重インターフェースを介した多チャネルのオーディオ、及び幅広くフレキシブルな様々なオーディオＩ／Ｏインターフェースのための、完全なハードウェア・サポートを可能にするオーディオ・サブシステムであってもよい。少なくとも一実施例では、オーディオ処理エンジンは、専用ＲＡＭのあるデジタル信号プロセッサを有する専用プロセッサ・コアである。
【0137】
少なくとも一実施例では、プロセッサ９１０はさらに、低電力センサ管理及び立ち上げのユース・ケースをサポートするのに必要なハードウェア特徴を提供することができる常時オン・プロセッサ・エンジンを含んでもよい。少なくとも一実施例では、常時オン・プロセッサ・エンジンは、限定することなく、プロセッサ・コア、密結合ＲＡＭ、サポート周辺装置（たとえば、タイマ、及び割込みコントローラ）、様々なＩ／Ｏコントローラ周辺装置、及びルーティング論理を含んでもよい。
【0138】
少なくとも一実施例では、プロセッサ９１０はさらに安全クラスタ・エンジンを含んでもよく、このエンジンは限定することなく、自動車用途の安全管理に対処するための専用のプロセッサ・サブシステムを含む。少なくとも一実施例では、安全クラスタ・エンジンは、限定することなく、２つ以上のプロセッサ・コア、密結合ＲＡＭ、サポート周辺装置（たとえば、タイマ、及び割込みコントローラなど）、及び／又はルーティング論理を含んでもよい。安全モードでは、少なくとも一実施例においてロックステップ・モードで２つ以上のコアが動作し、これらの動作間で何らかの差を検出するための比較論理を有する単一コアとして機能してもよい。少なくとも一実施例では、プロセッサ９１０はさらにリアル・タイム・カメラ・エンジンを含んでもよく、このエンジンは限定することなく、リアル・タイムのカメラ管理に対処するための専用のプロセッサ・サブシステムを含んでもよい。少なくとも一実施例では、プロセッサ９１０はさらに、高ダイナミック・レンジの信号プロセッサを含んでもよく、この信号プロセッサは、カメラ処理パイプラインの一部であるハードウェア・エンジンである画像信号プロセッサを限定することなく含んでもよい。
【0139】
少なくとも一実施例では、プロセッサ９１０は、ビデオ画像合成器を含んでもよく、この合成器は、再生装置のウインドウに最終画像を生成するのにビデオ再生アプリケーションが必要とするビデオ後処理機能を実装する（たとえばマイクロプロセッサに実装された）処理ブロックであってもよい。少なくとも一実施例では、ビデオ画像合成器は、広角カメラ９７０、周囲カメラ９７４、及び／又はキャビン内監視カメラ・センサに対して、レンズゆがみ補正を実行してもよい。少なくとも一実施例では、キャビン内監視カメラ・センサは、好ましくは、キャビン内のイベントを識別し、それに適宜応答するように構成された、ＳｏＣ９０４の別のインスタンスで実行されているニューラル・ネットワークによって監視される。少なくとも一実施例では、キャビン内システムは、セルラー・サービスをアクティブ化し、電話をかけたり、電子メールを書いたり、車両の行き先を変更したり、車両のインフォテイメント・システム及び設定をアクティブ化又は変更したり、或いは音声作動式のウェブ・サーフィンを提供したりするために、限定することなく読唇を実行してもよい。少なくとも一実施例では、ある一定の機能は、車両が自律モードで動作しているときにドライバにとって利用可能になり、それ以外のときには使用不可になる。
【0140】
少なくとも一実施例では、ビデオ画像合成器は、空間と時間の両方のノイズ低減のための拡張された時間的ノイズ低減を含んでもよい。たとえば、少なくとも一実施例では、ビデオで動きが生じる場合には、ノイズ低減が空間情報に適切に重み付けして、隣接するフレームによって提供される情報の重みを軽くする。少なくとも一実施例では、画像又は画像の一部分が動きを含まない場合には、ビデオ画像合成器により実行される時間的ノイズ低減は、前の画像からの情報を使用して、現在の画像のノイズを低減してもよい。
【0141】
少なくとも一実施例では、ビデオ画像合成器はまた、入力されたステレオ・レンズ・フレームに対してステレオ平行化を実行するように構成されてもよい。少なくとも一実施例では、ビデオ画像合成器はさらに、オペレーティング・システムのデスクトップが使用中のときに、ユーザ・インターフェースを合成するために使用されてもよく、ＧＰＵ９０８は、新規の表面を継続的にレンダリングする必要がなくなる。少なくとも一実施例では、ＧＰＵ９０８の電源が入れられ、アクティブで３Ｄレンダリングを行っているとき、性能及び応答性を向上させるために、ビデオ画像合成器を使用してＧＰＵ９０８をオフロードしてもよい。
【0142】
少なくとも一実施例では、ＳｏＣ９０４のうちの１つ又は複数のＳｏＣはさらに、ビデオ及びカメラからの入力を受信するためのモバイル・インダストリ・プロセッサ・インターフェース（「ＭＩＰＩ」：ｍｏｂｉｌｅ ｉｎｄｕｓｔｒｙ ｐｒｏｃｅｓｓｏｒ ｉｎｔｅｒｆａｃｅ）のカメラ直列インターフェース、高速インターフェース、並びに／又はカメラ及び関連ピクセルの入力機能に使用されてもよいビデオ入力ブロックを含んでもよい。少なくとも一実施例では、ＳｏＣ９０４のうちの１つ又は複数はさらに、入力／出力コントローラを含んでもよく、このコントローラはソフトウェアによって制御されてもよく、特定の役割に縛られていないＩ／Ｏ信号を受信するために使用されてもよい。
【0143】
少なくとも一実施例では、ＳｏＣ９０４のうちの１つ又は複数のＳｏＣはさらに、周辺装置、オーディオ・エンコーダ／デコーダ（「コーデック」）、電力管理、及び／又は他の装置との通信を可能にするための幅広い周辺装置インターフェースを含んでもよい。少なくとも一実施例では、ＳｏＣ９０４は、（たとえば、ギガビット・マルチメディア・シリアル・リンク及びイーサネット（登録商標）チャネルを介して接続された）カメラからのデータ、センサ（たとえば、イーサネット（登録商標）チャネルを介して接続されてもよいＬＩＤＡＲセンサ９６４、ＲＡＤＡＲセンサ９６０など）からのデータ、バス９０２からのデータ（たとえば、車両９００のスピード、ハンドル位置など）、（たとえば、イーサネット（登録商標）バス又はＣＡＮバスを介して接続された）ＧＮＳＳセンサ９５８からのデータなどを処理するために使用されてもよい。少なくとも一実施例では、ＳｏＣ９０４のうちの１つ又は複数のＳｏＣはさらに、専用の高性能大容量ストレージ・コントローラを含んでもよく、このコントローラは独自のＤＭＡエンジンを含んでもよく、ルーチンのデータ管理タスクからＣＰＵ９０６を解放するために使用されてもよい。
【0144】
少なくとも一実施例では、ＳｏＣ９０４は、自動化レベル３～５に及ぶフレキシブルなアーキテクチャを有するエンドツーエンドのプラットフォームであってもよく、それにより、多様性及び冗長性を得るためにコンピュータ・ビジョン及びＡＤＡＳ技法を活用し効率的に利用する包括的な機能的安全性アーキテクチャが提供され、フレキシブルで、信頼性の高い運転ソフトウェア・スタックのためのプラットフォームが、深層学習ツールとともに提供される。少なくとも一実施例では、ＳｏＣ９０４は、従来のシステムより高速で、信頼性が高く、さらにはエネルギー効率及び空間効率が高い。たとえば、少なくとも一実施例では、アクセラレータ９１４は、ＣＰＵ９０６、ＧＰＵ９０８、及びデータ・ストア９１６と組み合わされると、レベル３～５の自律車両のための高速で効率的なプラットフォームを実現することができる。
【0145】
少なくとも一実施例では、コンピュータ・ビジョン・アルゴリズムはＣＰＵ上で実行されてもよく、このアルゴリズムは、Ｃなどの高レベル・プログラミング言語を使用して構成されて、多様な視覚データにわたって多様な処理アルゴリズムを実行してもよい。しかし、少なくとも一実施例では、ＣＰＵは、多くのコンピュータ・ビジョン・アプリケーションの性能要件、たとえば実行時間及び電力消費に関する要件などを満足できないことが多い。少なくとも一実施例では、多くのＣＰＵは、車両内のＡＤＡＳアプリケーション及び現実的なレベル３～５の自律車両において使用される複雑な物体検出アルゴリズムを、リアル・タイムで実行することができない。
【0146】
本明細書に記載の実施例は、複数のニューラル・ネットワークを同時に且つ／又は順番に実行できるようにし、結果を一緒に組み合わせて、レベル３～５の自律運転機能を可能にすることができる。たとえば、少なくとも一実施例では、ＤＬＡ又は個別ＧＰＵ（たとえば、ＧＰＵ９２０）上で実行しているＣＮＮは、テキスト及び単語認識を含んでもよく、ニューラル・ネットワークがそれについて特に訓練されてこなかった標識を含む交通標識を読み、理解できるようにする。少なくとも一実施例では、ＤＬＡはさらに、標識を識別し、解釈し、標識の意味的理解を提供することができ、その意味的理解を、ＣＰＵコンプレックス上で実行されている経路計画モジュールに渡すことができるニューラル・ネットワークを含んでもよい。
【0147】
少なくとも一実施例では、レベル３、４、又は５の運転に関して、複数のニューラル・ネットワークが同時に実行されてもよい。たとえば、少なくとも一実施例では、電光と併せて「注意：点滅光は凍結状態を示す」と示される警告標識は、いくつかのニューラル・ネットワークによって別々に解釈されても、集合的に解釈されてもよい。少なくとも一実施例では、こうした警告標識自体は、第１の導入済みニューラル・ネットワーク（たとえば、訓練されてきたニューラル・ネットワーク）によって交通標識として識別されてもよく、「点滅光は凍結状態を示す」という文字は、第２の導入済みニューラル・ネットワークによって解釈されてもよく、点滅光が検出された場合には、このニューラル・ネットワークが、凍結状態が存在することを車両の（好ましくはＣＰＵコンプレックス上で実行している）経路計画ソフトウェアに通知する。少なくとも一実施例では、点滅光は、第３の導入済みニューラル・ネットワークを複数のフレームにわたって動作させることによって識別されてもよく、点滅光の存在（又は存在しないこと）が、車両の経路計画ソフトウェアに通知される。少なくとも一実施例では、３つすべてのニューラル・ネットワークが、ＤＬＡ内及び／又はＧＰＵ９０８上などで同時に実行されてもよい。
【0148】
少なくとも一実施例では、顔認識及び車両所有者識別のためのＣＮＮは、カメラ・センサからのデータを使用して、車両９００の承認済みのドライバ及び／又は所有者の存在を識別してもよい。少なくとも一実施例では、常時オンのセンサ処理エンジンを使用して、所有者がドライバ用ドアに近づいてきたときに車両を解錠し、ライトを点灯させ、所有者がこうした車両から離れるときには、セキュリティ・モードでこうした車両を使用不可にしてもよい。こうして、ＳｏＣ９０４は、窃盗及び／又は自動車乗っ取りに対するセキュリティを実現する。
【0149】
少なくとも一実施例では、緊急車両の検出及び識別のためのＣＮＮは、マイクロフォン９９６からのデータを使用して、緊急車両のサイレンを検出及び識別してもよい。少なくとも一実施例では、ＳｏＣ９０４は、環境及び市街地の音を分類するとともに、視覚データを分類するためにＣＮＮを使用する。少なくとも一実施例では、ＤＬＡ上で実行されるＣＮＮは、緊急車両が近づいてくる相対的なスピードを（たとえばドップラ効果を使用することによって）識別するように訓練される。少なくとも一実施例では、ＣＮＮはまた、ＧＮＳＳセンサ９５８によって識別される、車両が稼働している地域に特有の緊急車両を識別するように訓練されてもよい。少なくとも一実施例では、欧州で稼働している場合には、ＣＮＮは欧州のサイレンを検出しようとし、北米の場合には、ＣＮＮは北米のサイレンだけを識別しようとする。少なくとも一実施例では、緊急車両が検出されると、緊急車両安全ルーチンを実行するための制御プログラムを使用して、車両の速度を落とし、道路脇に寄せ、車両を停止させ、且つ／又は緊急車両が通過するまで、超音波センサ９６２を併用して車両をアイドリングにしてもよい。
【0150】
少なくとも一実施例では、車両９００はＣＰＵ９１８（たとえば、個別ＣＰＵ又はｄＣＰＵ）を含んでもよく、このＣＰＵは高速相互接続（たとえば、ＰＣＩｅ）を介してＳｏＣ９０４に結合されてもよい。少なくとも一実施例では、ＣＰＵ９１８は、たとえばＸ８６プロセッサを含んでもよい。ＣＰＵ９１８は、たとえば、ＡＤＡＳセンサとＳｏＣ９０４の間で潜在的に不整合な結果を調停すること、並びに／又はコントローラ９３６及び／若しくはチップ上のインフォテイメント・システム（「インフォテイメントＳｏＣ」）９３０の状態及び健全性を監視することを含め、様々な機能のうちの任意の機能を実行するために使用されてもよい。
【0151】
少なくとも一実施例では、車両９００はＧＰＵ９２０（たとえば、個別ＧＰＵ又はｄＧＰＵ）を含んでもよく、このＧＰＵは高速相互接続（たとえば、ＮＶＩＤＩＡのＮＶＬＩＮＫチャネル）を介してＳｏＣ９０４に結合されてもよい。少なくとも一実施例では、ＧＰＵ９２０は、冗長な及び／又は異なるニューラル・ネットワークを実行することなどによって、追加の人工知能機能を提供してもよく、車両９００のセンサからの入力（たとえば、センサ・データ）に少なくとも部分的に基づき、ニューラル・ネットワークを訓練及び／又は更新するために使用されてもよい。
【0152】
少なくとも一実施例では、車両９００はさらに、ネットワーク・インターフェース９２４を含んでもよく、このインターフェース９２４は限定することなく、ワイヤレス・アンテナ９２６（たとえば、セルラー・アンテナ、Ｂｌｕｅｔｏｏｔｈアンテナなど、異なる通信プロトコル向けの１つ又は複数のワイヤレス・アンテナ）を含んでもよい。少なくとも一実施例では、他の車両、及び／又はコンピューティング・デバイス（たとえば、乗員のクライアント・デバイス）とのインターネット・クラウド・サービス（たとえば、サーバ及び／又は他のネットワーク・デバイス）へのワイヤレス接続を可能にするために、ネットワーク・インターフェース９２４が使用されてもよい。少なくとも一実施例では、他の車両と通信するために、車両９０と他の車両との間に直接リンクが確立されてもよく、且つ／又は（たとえば、ネットワークにわたって、且つインターネットを介して）間接リンクが確立されてもよい。少なくとも一実施例では、直接リンクは、車車間通信リンクを使用して提供されてもよい。少なくとも一実施例では、車車間通信リンクは、車両９００の近傍の車両（たとえば、車両９００の前方、側方、及び／又は後方の車両）についての情報を車両９００に提供してもよい。少なくとも一実施例では、こうした前述した機能は、車両９００の協調型アダプティブ・クルーズ・コントロール機能の一部であってもよい。
【0153】
少なくとも一実施例では、ネットワーク・インターフェース９２４は、変調及び復調の機能を提供し、コントローラ９３６がワイヤレス・ネットワークを介して通信できるようにするＳｏＣを含んでもよい。少なくとも一実施例では、ネットワーク・インターフェース９２４は、ベースバンドから無線周波数へのアップ・コンバージョン、及び無線周波数からベースバンドへのダウン・コンバージョンのための無線周波数フロント・エンドを含んでもよい。少なくとも一実施例では、周波数変換は、任意の技術的に実行可能なやり方で実行されてもよい。たとえば、周波数変換は、よく知られたプロセスにより、且つ／又はスーパー・ヘテロダイン・プロセスを使用して実行することができる。少なくとも一実施例では、無線周波数フロント・エンド機能は、別個のチップによって提供されてもよい。少なくとも一実施例では、ネットワーク・インターフェースは、ＬＴＥ、WCDMA（登録商標）、ＵＭＴＳ、ＧＳＭ、ＣＤＭＡ２０００、Ｂｌｕｅｔｏｏｔｈ、Ｂｌｕｅｔｏｏｔｈ ＬＥ、Ｗｉ－Ｆｉ、Ｚ－Ｗａｖｅ、ＺｉｇＢｅｅ、ＬｏＲａＷＡＮ、及び／又は他のワイヤレス・プロトコルを介して通信するためのワイヤレス機能を含んでもよい。
【0154】
少なくとも一実施例では、車両９００はさらにデータ・ストア９２８を含んでもよく、このデータ・ストア９２８は限定することなく、オフ・チップ（たとえばＳｏＣ９０４上にない）ストレージを含んでもよい。少なくとも一実施例では、データ・ストア９２８は、ＲＡＭ、ＳＲＡＭ、ダイナミック・ランダム・アクセス・メモリ（「ＤＲＡＭ」）、ビデオ・ランダム・アクセス・メモリ（「ＶＲＡＭ」：ｖｉｄｅｏ ｒａｎｄｏｍ－ａｃｃｅｓｓ ｍｅｍｏｒｙ）、フラッシュ・メモリ、ハード・ディスク、並びに／又は少なくとも１ビットのデータを記憶することができる他の構成要素及び／若しくはデバイスを含む１つ若しくは複数のストレージ要素を、限定することなく含んでもよい。
【0155】
少なくとも一実施例では、車両９００はさらに、マッピング、知覚、占有グリッド生成、及び／又は経路計画の機能を支援するためのＧＮＳＳセンサ９５８（たとえば、ＧＰＳ及び／又は補助ＧＰＳセンサ）を含んでもよい。少なくとも一実施例では、たとえばイーサネット（登録商標）からシリアル（たとえばＲＳ－２３２）へのブリッジを有するＵＳＢコネクタを使用するＧＰＳを限定することなく含む任意の数のＧＮＳＳセンサ９５８が使用されてもよい。
【0156】
少なくとも一実施例では、車両９００はさらに、ＲＡＤＡＲセンサ９６０を含んでもよい。少なくとも一実施例では、ＲＡＤＡＲセンサ９６０は、暗闇及び／又は厳しい気象条件の中でも、長距離の車両検出を行うために車両９００によって使用されてもよい。少なくとも一実施例では、ＲＡＤＡＲの機能的安全性レベルは、ＡＳＩＬ Ｂであってもよい。少なくとも一実施例では、ＲＡＤＡＲセンサ９６０は、制御のために（たとえば、ＲＡＤＡＲセンサ９６０によって生成されたデータを送信するために）、また物体追跡データにアクセスするために、ＣＡＮバス及び／又はバス９０２を使用してもよく、いくつかの例では、未加工データにアクセスするためにイーサネット（登録商標）チャネルにアクセスできる。少なくとも一実施例では、多様なタイプのＲＡＤＡＲセンサが使用されてもよい。たとえば限定することなく、ＲＡＤＡＲセンサ９６０は、前方、後方、及び側方のＲＡＤＡＲ使用に好適であってもよい。少なくとも一実施例では、ＲＡＤＡＲセンサ９６０のうちの１つ又は複数のセンサは、パルス・ドップラＲＡＤＡＲセンサである。
【0157】
少なくとも一実施例では、ＲＡＤＡＲセンサ９６０は、狭視野の長距離、広視野の短距離、側面を網羅する短距離など、異なる構成を含んでもよい。少なくとも一実施例では、長距離ＲＡＤＡＲは、アダプティブ・クルーズ・コントロール機能のために使用されてもよい。少なくとも一実施例では、長距離ＲＡＤＡＲシステムは、２つ以上の独立した走査によって実現される、２５０ｍ（メートル）の範囲内などの広視野を提供してもよい。少なくとも一実施例では、ＲＡＤＡＲセンサ９６０は、静的物体と移動している物体とを区別しやすくしてもよく、緊急ブレーキ支援及び前方衝突警告を行うためにＡＤＡＳシステム９３８によって使用されてもよい。少なくとも一実施例では、長距離ＲＡＤＡＲシステムに含まれるセンサ９６０は、複数の（たとえば６つ以上の）固定ＲＡＤＡＲアンテナ、並びに高速ＣＡＮ及びＦｌｅｘＲａｙインターフェースを有するモノスタティックのマルチモードＲＡＤＡＲを、限定することなく含んでもよい。少なくとも一実施例では、６つのアンテナがある場合、中央の４つのアンテナは、隣接した車線内の交通からの干渉が最小の状態で、より高速で車両９００の周囲を記録するように設計された集中したビーム・パターンを生成してもよい。少なくとも一実施例では、他の２つのアンテナは、視野を拡張してもよく、車両９００の車線に入る又はそこから出る車両を迅速に検出するのを可能にする。
【0158】
少なくとも一実施例では、中距離ＲＡＤＡＲシステムは、一例として最大１６０ｍ（前方）、又は８０ｍ（後方）の範囲、及び最大４２度（前方）、又は１５０度（後方）の視野を含んでもよい。少なくとも一実施例では、短距離ＲＡＤＡＲシステムは、限定することなく、後方バンパの両端部に設置されるように設計された任意の数のＲＡＤＡＲセンサ９６０を含んでもよい。後方バンパの両端部に設置されたとき、少なくとも一実施例では、ＲＡＤＡＲセンサ・システムは、後方向及び車両隣の死角を常に監視する２本のビームを生成してもよい。少なくとも一実施例では、短距離ＲＡＤＡＲシステムは、死角検出及び／又は車線変更支援を行うために、ＡＤＡＳシステム９３８において使用されてもよい。
【0159】
少なくとも一実施例では、車両９００はさらに、超音波センサ９６２を含んでもよい。少なくとも一実施例では、超音波センサ９６２は、車両９００の前方、後方、及び／又は側方位置に配置されてもよく、駐車支援のため、且つ／又は占有グリッドを生成し更新するために使用されてもよい。少なくとも一実施例では、多様な超音波センサ９６２が使用されてもよく、異なる検出範囲（たとえば、２．５ｍ、４ｍ）には異なる超音波センサ９６２が使用されてもよい。少なくとも一実施例では、超音波センサ９６２は、機能的安全性レベルＡＳＩＬ Ｂで動作してもよい。
【0160】
少なくとも一実施例では、車両９００は、ＬＩＤＡＲセンサ９６４を含んでもよい。少なくとも一実施例では、ＬＩＤＡＲセンサ９６４は、物体及び歩行者の検出、緊急ブレーキ、衝突回避、並びに／又は他の機能のために使用されてもよい。少なくとも一実施例では、ＬＩＤＡＲセンサ９６４は、機能的安全性レベルＡＳＩＬ Ｂで動作してもよい。少なくとも一実施例では、車両９００は、複数のＬＩＤＡＲセンサ９６４（たとえば、２つ、４つ、６つなど）を含んでもよく、これらのセンサは、（たとえばデータをギガビット・イーサネット（登録商標）・スイッチに提供するために）イーサネット（登録商標）チャネルを使用してもよい。
【0161】
少なくとも一実施例では、ＬＩＤＡＲセンサ９６４は、３６０度の視野について、物体及びそれらの距離のリストを提供可能であってもよい。少なくとも一実施例では、市販のＬＩＤＡＲセンサ９６４は、たとえばアドバタイズされた範囲がおおよそ１００ｍであり、精度が２ｃｍ～３ｃｍであり、１００Ｍｂｐｓのイーサネット（登録商標）接続をサポートしてもよい。少なくとも一実施例では、１つ又は複数の非突出型ＬＩＤＡＲセンサが使用されてもよい。こうした実施例では、ＬＩＤＡＲセンサ９６４は、車両９００の前方、後方、側方、及び／又は角位置に組み込むことができる小さいデバイスを含んでもよい。少なくとも一実施例では、こうした実施例のＬＩＤＡＲセンサ９６４は、最大１２０度の水平視野、及び３５度の垂直視野を、低反射性の物体に対しても２００ｍの範囲で提供してもよい。少なくとも一実施例では、前方に取り付けられたＬＩＤＡＲセンサ９６４は、４５度～１３５度の水平視野をもたらすように構成されてもよい。
【0162】
少なくとも一実施例では、３ＤフラッシュＬＩＤＡＲなどのＬＩＤＡＲ技術も使用されてよい。少なくとも一実施例では、３ＤフラッシュＬＩＤＡＲは、レーザのフラッシュを送信源として使用して、車両９００の周囲を最大でおおよそ２００ｍまで照射する。少なくとも一実施例では、フラッシュＬＩＤＡＲユニットは、限定することなくレセプタを含み、このレセプタは、レーザ・パルスの通過時間及び各ピクセルにおける反射光を記録し、それらは、車両９００から物体までの範囲に対応する。少なくとも一実施例では、フラッシュＬＩＤＡＲによって、非常に正確でゆがみのない周囲画像が、レーザのフラッシュごとに生成できるようになり得る。少なくとも一実施例では、４つのフラッシュＬＩＤＡＲセンサが、車両９００の各側面に１つ導入されてもよい。少なくとも一実施例では、３ＤフラッシュＬＩＤＡＲシステムは、ファン以外に可動部品のない半導体３Ｄ凝視アレイ（ｓｔａｒｉｎｇ ａｒｒａｙ）のＬＩＤＡＲカメラ（たとえば、非走査型ＬＩＤＡＲデバイス）を、限定することなく含む。少なくとも一実施例では、フラッシュＬＩＤＡＲデバイスは、フレーム当たり５ナノ秒のクラスＩ（目に安全な）レーザ・パルスを使用してもよく、３Ｄ範囲の点群及び位置同期された（ｃｏ－ｒｅｇｉｓｔｅｒｅｄ）強度データとして反射レーザ光を捕捉してもよい。
【0163】
少なくとも一実施例では、車両９００はさらに、ＩＭＵセンサ９６６を含んでもよい。少なくとも一実施例では、ＩＭＵセンサ９６６は、車両９００の後方車軸の中央に位置付けられてもよい。少なくとも一実施例では、ＩＭＵセンサ９６６は、たとえば限定することなく、加速度計、磁力計、ジャイロスコープ、磁気コンパス、複数の磁気コンパス及び／又は他のタイプのセンサを含んでもよい。６軸の用途など少なくとも一実施例では、ＩＭＵセンサ９６６は限定することなく、加速度計及びジャイロスコープを含んでもよい。９軸の用途など少なくとも一実施例では、ＩＭＵセンサ９６６は限定することなく、加速度計、ジャイロスコープ、及び磁力計を含んでもよい。
【0164】
少なくとも一実施例では、ＩＭＵセンサ９６６は、微小電気機械システム（「ＭＥＭＳ」：ｍｉｃｒｏ－ｅｌｅｃｔｒｏ－ｍｅｃｈａｎｉｃａｌ ｓｙｓｔｅｍｓ）慣性センサ、高感度ＧＰＳ受信機、及び先進のＫａｌｍａｎフィルタリング・アルゴリズムを組み合わせて、位置、速度、及び姿勢の推定値を提供する小型の高性能ＧＰＳ補強型慣性航法システム（「ＧＰＳ／ＩＮＳ」：ＧＰＳ－Ａｉｄｅｄ Ｉｎｅｒｔｉａｌ Ｎａｖｉｇａｔｉｏｎ Ｓｙｓｔｅｍ）として実装されてもよい。少なくとも一実施例では、ＩＭＵセンサ９６６により、車両９００は、速度変化を直接観察しそれをＧＰＳからＩＭＵセンサ９６６に相関させることによって、磁気センサからの入力を必要とせずに車両９００の方位を推定できるようになる。少なくとも一実施例では、ＩＭＵセンサ９６６及びＧＮＳＳセンサ９５８は、単一の統合ユニットに組み合わされてもよい。
【0165】
少なくとも一実施例では、車両９００は、車両９００の中及び／又はその周りに設置されたマイクロフォン９９６を含んでもよい。少なくとも一実施例では、マイクロフォン９９６は、とりわけ緊急車両の検出及び識別のために使用されてもよい。
【0166】
少なくとも一実施例では、車両９００はさらに、ステレオ・カメラ９６８、広角カメラ９７０、赤外線カメラ９７２、周囲カメラ９７４、長距離カメラ９９８、中距離カメラ９７６、及び／又は他のカメラ・タイプを含む任意の数のカメラ・タイプを含んでもよい。少なくとも一実施例では、カメラは、車両９００の全周囲の周りで画像データを捕捉するために使用されてもよい。少なくとも一実施例では、どのタイプのカメラが使用されるかは、車両９００に応じて異なる。少なくとも一実施例では、車両９００の周りで必要な被写域を提供するために、カメラ・タイプの任意の組合せが使用されてもよい。少なくとも一実施例では、導入されるカメラの数は、実施例に応じて異なってもよい。たとえば、少なくとも一実施例では、車両９００は６台のカメラ、７台のカメラ、１０台のカメラ、１２台のカメラ、又は別の数のカメラを含むことができる。少なくとも一実施例では、カメラは、一実例として限定することなく、ギガビット・マルチメディア・シリアル・リンク（「ＧＭＳＬ」：Ｇｉｇａｂｉｔ Ｍｕｌｔｉｍｅｄｉａ Ｓｅｒｉａｌ Ｌｉｎｋ）及び／又はギガビット・イーサネット（登録商標）通信をサポートしてもよい。少なくとも一実施例では、各カメラは、図９Ａ及び図９Ｂに関して本明細書でさらに詳細に上で説明されたようなものとしてもよい。
【0167】
少なくとも一実施例では、車両９００はさらに、振動センサ９４２を含んでもよい。少なくとも一実施例では、振動センサ９４２は、車軸など、車両９００の構成要素の振動を測定してもよい。たとえば、少なくとも一実施例では、振動の変化は、路面の変化を示すことがある。少なくとも一実施例では、２つ以上の振動センサ９４２が使用される場合には、路面の摩擦又はすべり量を判定するために振動の差が使用されてもよい（たとえば、動力により駆動される車軸と自由回転する車軸との間に振動差がある場合）。
【0168】
少なくとも一実施例では、車両９００は、ＡＤＡＳシステム９３８を含んでもよい。少なくとも一実施例では、ＡＤＡＳシステム９３８は、限定することなく、いくつかの例においてＳｏＣを含んでもよい。少なくとも一実施例では、ＡＤＡＳシステム９３８は、限定することなく、任意の数及び組合せの、自律／アダプティブ／自動のクルーズ・コントロール（「ＡＣＣ」：ａｕｔｏｎｏｍｏｕｓ／ａｄａｐｔｉｖｅ／ａｕｔｏｍａｔｉｃ ｃｒｕｉｓｅ ｃｏｎｔｒｏｌ）システム、協調型アダプティブ・クルーズ・コントロール（「ＣＡＣＣ」：ｃｏｏｐｅｒａｔｉｖｅ ａｄａｐｔｉｖｅ ｃｒｕｉｓｅ ｃｏｎｔｒｏｌ）システム、正面衝突警告（「ＦＣＷ」：ｆｏｒｗａｒｄ ｃｒａｓｈ ｗａｒｎｉｎｇ）システム、自動緊急ブレーキ（「ＡＥＢ」：ａｕｔｏｍａｔｉｃ ｅｍｅｒｇｅｎｃｙ ｂｒａｋｉｎｇ）システム、車線逸脱警告（「ＬＤＷ」：ｌａｎｅ ｄｅｐａｒｔｕｒｅ ｗａｒｎｉｎｇ）システム、車線維持支援（「ＬＫＡ」：ｌａｎｅ ｋｅｅｐ ａｓｓｉｓｔ）システム、死角警告（「ＢＳＷ」：ｂｌｉｎｄ ｓｐｏｔ ｗａｒｎｉｎｇ）システム、後方クロス・トラフィック警告（「ＲＣＴＷ」：ｒｅａｒ ｃｒｏｓｓ－ｔｒａｆｆｉｃ ｗａｒｎｉｎｇ）システム、衝突警告（「ＣＷ」：ｃｏｌｌｉｓｉｏｎ ｗａｒｎｉｎｇ）システム、車線センタリング（「ＬＣ」：ｌａｎｅ ｃｅｎｔｅｒｉｎｇ）システム、並びに／又は他のシステム、特徴、及び／若しくは機能を含んでもよい。
【0169】
少なくとも一実施例では、ＡＣＣシステムは、ＲＡＤＡＲセンサ９６０、ＬＩＤＡＲセンサ９６４、及び／又は任意の数のカメラを使用してもよい。少なくとも一実施例では、ＡＣＣシステムは、縦方向ＡＣＣシステム及び／又は横方向ＡＣＣシステムを含んでもよい。少なくとも一実施例では、縦方向ＡＣＣシステムは、車両９００の直前の別の車両までの距離を監視及び制御し、車両９００のスピードを自動的に調節して、前の車両からの安全な距離を維持する。少なくとも一実施例では、横方向ＡＣＣシステムは、距離の維持を実行し、必要なときに車線変更するよう車両９００に通知する。少なくとも一実施例では、横方向ＡＣＣは、ＬＣ及びＣＷなどの他のＡＤＡＳ用途に関係する。
【0170】
少なくとも一実施例では、ＣＡＣＣシステムは、他の車両からの情報を使用し、この情報は、ワイヤレス・リンクにより、又は間接的にネットワーク接続を介して（たとえばインターネットを介して）、他の車両からネットワーク・インターフェース９２４及び／又はワイヤレス・アンテナ９２６により受信されてもよい。少なくとも一実施例では、車車間（「Ｖ２Ｖ」：ｖｅｈｉｃｌｅ－ｔｏ－ｖｅｈｉｃｌｅ）通信リンクによって直接リンクが提供されてもよく、一方インフラストラクチャ車間（「Ｉ２Ｖ」：ｉｎｆｒａｓｔｒｕｃｔｕｒｅ－ｔｏ－ｖｅｈｉｃｌｅ）通信リンクによって間接リンクが提供されてもよい。一般に、Ｖ２Ｖ通信は、すぐ前の先行車両（たとえば、車両９００のすぐ前で同じ車線にいる車両）についての情報を提供し、Ｉ２Ｖ通信は、さらにその前の交通についての情報を提供する。少なくとも一実施例では、ＣＡＣＣシステムは、Ｉ２ＶとＶ２Ｖの情報源のいずれか又は両方を含んでもよい。少なくとも一実施例では、車両９００の前の車両についての情報があれば、ＣＡＣＣシステムは信頼性をさらに高めることができ、交通の流れをより円滑にし、路上での渋滞を低減できる可能性を有する。
【0171】
少なくとも一実施例では、ＦＣＷシステムは、危険物に対してドライバに忠告するように設計され、それによりこうしたドライバは修正措置を取ることができる。少なくとも一実施例では、ＦＣＷシステムは正面カメラ及び／又はＲＡＤＡＲセンサ９６０を使用し、これらは、ディスプレイ、スピーカ、及び／又は振動構成要素などのドライバへのフィードバックを提供するように電気的に結合されている専用のプロセッサ、ＤＳＰ、ＦＰＧＡ、及び／又はＡＳＩＣに結合されている。少なくとも一実施例では、ＦＣＷシステムは、音、視覚的警告、振動、及び／又はクイック・ブレーキ・パルスなどの形で警告を提供してもよい。
【0172】
少なくとも一実施例では、ＡＥＢシステムは、別の車両又は他の物体との差し迫った正面衝突を検出し、指定された時間内又は距離パラメータ内にドライバが修正措置を取らない場合には、自動でブレーキをかけてもよい。少なくとも一実施例では、ＡＥＢシステムは、専用のプロセッサ、ＤＳＰ、ＦＰＧＡ、及び／又はＡＳＩＣに結合された正面カメラ及び／又はＲＡＤＡＲセンサ９６０を使用してもよい。少なくとも一実施例では、ＡＥＢシステムが危険物を検出したとき、ＡＥＢシステムは通常、修正措置を取って衝突を避けるよう最初にドライバに忠告し、ドライバが修正措置を取らない場合には、ＡＥＢシステムは、予測される衝突を防ぐ又は少なくともその衝撃を軽減するために自動的にブレーキをかけてもよい。少なくとも一実施例では、ＡＥＢシステムは、ダイナミック・ブレーキ・サポート及び／又は衝突直前ブレーキなどの技法を含んでもよい。
【0173】
少なくとも一実施例では、ＬＤＷシステムは、車両９００が車線の目印に交差したときにドライバに忠告するために、ハンドル又は座席の振動など、視覚的、聴覚的、及び／又は触覚的な警告を提供する。少なくとも一実施例では、ドライバが方向指示器を作動させることなどによって意図的な車線逸脱を示す場合には、ＬＤＷシステムは作動しない。少なくとも一実施例では、ＬＤＷシステムは、正面カメラを使用してもよく、これは、ディスプレイ、スピーカ、及び／又は振動構成要素などのドライバへのフィードバックを提供するように電気的に結合することができる専用のプロセッサ、ＤＳＰ、ＦＰＧＡ、及び／又はＡＳＩＣに結合されている。少なくとも一実施例では、ＬＫＡシステムは、ＬＤＷシステムの変形形態である。少なくとも一実施例では、ＬＫＡシステムは、車両９００が車両９００の車線からはみ出し始めた場合に、車両９００を修正するように操縦入力又はブレーキを提供する。
【0174】
少なくとも一実施例では、ＢＳＷシステムは、自動車の死角にある車両を検出し、そのドライバに警告する。少なくとも一実施例では、ＢＳＷシステムは、視覚的、聴覚的、及び／又は触覚的なアラートを提供して、合流又は車線変更が安全ではないことを示してもよい。少なくとも一実施例では、ＢＳＷシステムは、ドライバが方向指示器を使用したときに追加の警告を提供してもよい。少なくとも一実施例では、ＢＳＷシステムは、専用のプロセッサ、ＤＳＰ、ＦＰＧＡ、及び／又はＡＳＩＣに結合された背面カメラ及び／又はＲＡＤＡＲセンサ９６０を使用してもよく、これらの専用のプロセッサ、ＤＳＰ、ＦＰＧＡ、及び／又はＡＳＩＣは、ディスプレイ、スピーカ、及び／又は振動構成要素などのドライバへのフィードバックに電気的に結合されている。
【0175】
少なくとも一実施例では、ＲＣＴＷシステムは、車両９００の後退時に、後方カメラの範囲外に物体が検出されたときに、視覚的、聴覚的、及び／又は触覚的な通知を提供してもよい。少なくとも一実施例では、ＲＣＴＷシステムは、衝突を回避するために確実に車両ブレーキがかけられるように、ＡＥＢシステムを含む。少なくとも一実施例では、ＲＣＴＷシステムは、１つ又は複数の背面ＲＡＤＡＲセンサ９６０を使用してもよく、これはディスプレイ、スピーカ、及び／又は振動構成要素などのドライバへのフィードバックを提供するように電気的に結合された専用のプロセッサ、ＤＳＰ、ＦＰＧＡ、及び／又はＡＳＩＣに結合されている。
【0176】
少なくとも一実施例では、従来のＡＤＡＳシステムは、偽陽性検出結果を出しがちなことがあり、これはドライバにとっては迷惑で気が散るものであり得るが、通常は大したことにはならない。なぜなら、従来のＡＤＡＳシステムは、ドライバに忠告し、安全を要する状態が本当に存在し、それに適宜対応するかどうかを、ドライバが判断できるようにするからである。少なくとも一実施例では、結果が矛盾する場合、一次コンピュータ（たとえば、コントローラ９３６の第１のコントローラ）からの結果に従うか、又は二次コンピュータ（たとえば、コントローラ９３６の第２のコントローラ）からの結果に従うかどうかを、車両９００自体が判断する。たとえば、少なくとも一実施例では、ＡＤＡＳシステム９３８は、バックアップ・コンピュータの合理性モジュールに知覚情報を提供するための、バックアップ及び／又は二次コンピュータであってもよい。少なくとも一実施例では、バックアップ・コンピュータの合理性モニタが、ハードウェア構成要素上の冗長性の多様なソフトウェアを実行して、知覚の誤り及び動的な運転タスクを検出してもよい。少なくとも一実施例では、ＡＤＡＳシステム９３８からの出力は、監視ＭＣＵに提供されてもよい。少なくとも一実施例では、一次コンピュータからの出力と二次コンピュータからの出力とが矛盾する場合には、監視ＭＣＵが、安全な動作を確保するために矛盾をどのように調和させるかを判定する。
【0177】
少なくとも一実施例では、一次コンピュータは、一次コンピュータの選択した結果の信頼性を示す信頼性スコアを、監視ＭＣＵに提供するように構成されてもよい。少なくとも一実施例では、信頼性スコアが閾値を超える場合には、二次コンピュータが矛盾する又は一貫性のない結果を提供しているかどうかに関わらず、監視ＭＣＵは一次コンピュータの指示に従ってもよい。少なくとも一実施例では、信頼性スコアが閾値を満足せず、一次コンピュータと二次コンピュータとが異なる結果（たとえば、矛盾）を示す場合には、監視ＭＣＵは、コンピュータ同士を調停して、適切な結果を判定してもよい。
【0178】
少なくとも一実施例では、二次コンピュータが誤アラームを提供する条件を、一次コンピュータからの出力と二次コンピュータからの出力とに少なくとも部分的に基づき判定するように訓練及び構成されたニューラル・ネットワークを、監視ＭＣＵが実行するように構成されてもよい。少なくとも一実施例では、監視ＭＣＵのニューラル・ネットワークは、二次コンピュータの出力が信用されてもよいときと、信用できないときとを学習してもよい。たとえば、少なくとも一実施例では、二次コンピュータがＲＡＤＡＲベースのＦＣＷシステムである場合、監視ＭＣＵのニューラル・ネットワークは、アラームをトリガする排水溝の格子又はマンホール・カバーなど、実際には危険物ではない金属物体をＦＣＷシステムが識別するときを学習してもよい。少なくとも一実施例では、二次コンピュータがカメラ・ベースのＬＤＷシステムである場合、自転車乗用者や歩行者が存在し、車線逸脱が実際には最も安全な操作であるときに、監視ＭＣＵのニューラル・ネットワークはＬＤＷを無効にするように学習してもよい。少なくとも一実施例では、監視ＭＣＵは、ニューラル・ネットワークを関連するメモリとともに実行するのに好適なＤＬＡ又はＧＰＵのうちの少なくとも１つを含んでもよい。少なくとも一実施例では、監視ＭＣＵは、ＳｏＣ９０４の構成要素を備えても、且つ／又はその構成要素として含まれてもよい。
【0179】
少なくとも一実施例では、ＡＤＡＳシステム９３８は、コンピュータ・ビジョンの従来のルールを使用してＡＤＡＳ機能を実行する二次コンピュータを含んでもよい。少なくとも一実施例では、二次コンピュータは、従来のコンピュータ・ビジョン・ルール（ｉｆ－ｔｈｅｎルール）を使用してもよく、ニューラル・ネットワークが監視ＭＣＵに存在することによって、信頼性、安全性、及び性能が向上してもよい。たとえば、少なくとも一実施例では、多様な実装及び意図的な非同一性により、特にソフトウェア（又はソフトウェアとハードウェアのインターフェース）の機能によって生じる誤りに対し、システム全体の誤り耐性が高まる。たとえば、少なくとも一実施例では、一次コンピュータ上で実行中のソフトウェアにソフトウェアのバグ又はエラーがあり、二次コンピュータ上で実行中の非同一のソフトウェア・コードが、全体的に一貫性のある結果を提供する場合には、監視ＭＣＵは、全体的な結果が正しく、一次コンピュータ上のソフトウェア又はハードウェアのバグが重大なエラーを引き起こしていないという、より高い信頼性を有してもよい。
【0180】
少なくとも一実施例では、ＡＤＡＳシステム９３８の出力は、一次コンピュータの知覚ブロック、及び／又は一次コンピュータの動的運転タスクブロックに供給されてもよい。たとえば、少なくとも一実施例では、ＡＤＡＳシステム９３８が、直前の物体に起因して正面衝突警告を示している場合には、知覚ブロックは、物体を識別するときにこの情報を使用してもよい。少なくとも一実施例では、二次コンピュータは、本明細書に記載するように、訓練済みの、したがって偽陽性検出のリスクを低減する独自のニューラル・ネットワークを有してもよい。
【0181】
少なくとも一実施例では、車両９００はさらに、インフォテイメントＳｏＣ９３０（たとえば、車両内インフォテイメント・システム（ＩＶＩ）：ｉｎ－ｖｅｈｉｃｌｅ ｉｎｆｏｔａｉｎｍｅｎｔ ｓｙｓｔｅｍ）を含んでもよい。インフォテイメント・システムＳｏＣ９３０はＳｏＣとして図示及び説明されるが、少なくとも一実施例では、ＳｏＣではなくてもよく、限定することなく２つ以上の個別の構成要素を含んでもよい。少なくとも一実施例では、インフォテイメントＳｏＣ９３０は、限定することなく、ハードウェアとソフトウェアの組合せを含んでもよく、この組合せを使用して、オーディオ（たとえば、音楽、パーソナル・デジタル・アシスタント、ナビゲーション命令、ニュース、ラジオなど）、ビデオ（たとえば、ＴＶ、映画、ストリーミングなど）、電話（たとえば、ハンズフリー通話）、ネットワーク接続（たとえば、ＬＴＥ、Ｗｉ－Ｆｉなど）、及び／又は情報サービス（たとえば、ナビゲーション・システム、後方駐車支援、無線データ・システム、車両関連情報、たとえば燃料レベル、合計走行距離、ブレーキ燃料レベル、オイル・レベル、ドアの開閉、空気フィルタ情報など）を車両９００に提供してもよい。たとえば、インフォテイメントＳｏＣ９３０は、ラジオ、ディスク再生装置、ナビゲーション・システム、ビデオ再生装置、ＵＳＢ及びＢｌｕｅｔｏｏｔｈ接続、カーピュータ、車内エンタテイメント、Ｗｉ－Ｆｉ、ハンドル・オーディオ制御、ハンズフリー音声制御、ヘッド・アップ・ディスプレイ（「ＨＵＤ」：ｈｅａｄｓ－ｕｐ ｄｉｓｐｌａｙ）、ＨＭＩディスプレイ９３４、テレマテックス・デバイス、（たとえば、様々な構成要素、特徴、及び／若しくはシステムを制御及び／若しくは相互作用するための）制御パネル、並びに／又は他の構成要素を含むことができる。少なくとも一実施例では、さらにインフォテイメントＳｏＣ９３０を使用して、ＡＤＡＳシステム９３８からの情報、車両操作計画、軌道などの自律運転情報、周囲環境情報（たとえば、交差点情報、車両情報、道路情報など）、及び／又は他の情報などの（たとえば、視覚的及び／又は聴覚的な）情報が、車両９００のユーザに提供されてもよい。
【0182】
少なくとも一実施例では、インフォテイメントＳｏＣ９３０は、任意の量及びタイプのＧＰＵ機能を含んでもよい。少なくとも一実施例では、インフォテイメントＳｏＣ９３０は、バス９０２を介して、車両９００の他のデバイス、システム、及び／又は構成要素と通信してもよい。少なくとも一実施例では、インフォテイメントＳｏＣ９３０は監視ＭＣＵに結合されてもよく、それにより、一次コントローラ９３６（たとえば、車両９００の一次及び／又はバックアップのコンピュータ）が故障したときに、インフォテイメント・システムのＧＰＵが、一部の自己運転機能を実行してもよい。少なくとも一実施例では、インフォテイメントＳｏＣ９３０は、本明細書に記載するように、車両９００を運転手－安全停止モードにしてもよい。
【0183】
少なくとも一実施例では、車両９００はさらに、計器クラスタ９３２（たとえば、デジタル・ダッシュボード、電子計器クラスタ、デジタル計器パネルなど）を含んでもよい。少なくとも一実施例では、計器クラスタ９３２は、限定することなく、コントローラ、及び／又はスーパーコンピュータ（たとえば、個別のコントローラ又はスーパーコンピュータ）を含んでもよい。少なくとも一実施例では、計器クラスタ９３２は、限定することなく、任意の数及び組合せの、スピード・メータ、燃料レベル、油圧、タコメータ、オドメータ、方向指示器、シフトレバー位置インジケータ、シート・ベルト警告灯、バーキング・ブレーキ警告灯、エンジン故障灯、補助拘束システム（たとえば、エアバッグ）情報、ライト制御、安全システム制御、ナビゲーション情報などの計器セットを含んでもよい。いくつかの例では、インフォテイメントＳｏＣ９３０と計器クラスタ９３２との間で、情報が表示及び／又は共有されてもよい。少なくとも一実施例では、計器クラスタ９３２は、インフォテイメントＳｏＣ９３０の一部として含まれてもよく、又はその逆であってもよい。
【0184】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５は、本明細書に記載のニューラル・ネットワークの訓練動作、ニューラル・ネットワークの機能及び／若しくはアーキテクチャ、又はニューラル・ネットワークのユース・ケースを使用して計算された重みパラメータに少なくとも部分的に基づき、推論又は予測の動作のために図９Ｃのシステムにおいて使用されてもよい。
【0185】
少なくとも一実施例では、図９Ｃに描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図９Ｃに描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図９Ｃに描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0186】
図９Ｄは、少なくとも一実施例による、クラウド・ベースのサーバと図９Ａの自律車両９００との間で通信するためのシステムの図である。少なくとも一実施例では、システムは、限定することなく、サーバ９７８、ネットワーク９９０、並びに車両９００を含む任意の数及びタイプの車両を含んでもよい。少なくとも一実施例では、サーバ９７８は、限定することなく、複数のＧＰＵ９８４（Ａ）～９８４（Ｈ）（本明細書ではまとめてＧＰＵ９８４と呼ぶ）、ＰＣＩｅスイッチ９８２（Ａ）～９８２（Ｄ）（本明細書ではまとめてＰＣＩｅスイッチ９８２と呼ぶ）、及び／又はＣＰＵ９８０（Ａ）～９８０（Ｂ）（本明細書ではまとめてＣＰＵ９８０と呼ぶ）を含んでもよい。少なくとも一実施例では、ＧＰＵ９８４、ＣＰＵ９８０、及びＰＣＩｅスイッチ９８２は、たとえば限定することなく、ＮＶＩＤＩＡにより開発されたＮＶＬｉｎｋインターフェース９８８、及び／又はＰＣＩｅ接続９８６などの高速相互接続によって、相互接続されてもよい。少なくとも一実施例では、ＧＰＵ９８４同士は、ＮＶＬｉｎｋ及び／又はＮＶＳスイッチＳｏＣを介して接続され、ＧＰＵ９８４とＰＣＩｅスイッチ９８２とは、ＰＣＩｅ相互接続を介して接続される。８個のＧＰＵ９８４、２個のＣＰＵ９８０、及び４個のＰＣＩｅスイッチ９８２が図示してあるが、これは限定するものではない。少なくとも一実施例では、サーバ９７８のそれぞれは、限定することなく、任意の数のＧＰＵ９８４、ＣＰＵ９８０、及び／又はＰＣＩｅスイッチ９８２を任意の組合せで含んでもよい。たとえば、少なくとも一実施例では、サーバ９７８は、それぞれが８個、１６個、３２個、及び／又はそれ以上のＧＰＵ９８４を含むことができる。
【0187】
少なくとも一実施例では、サーバ９７８は、最近始まった道路工事などの予想外の又は変更された道路状態を示す画像を表す画像データを、ネットワーク９９０を介して車両から受信してもよい。少なくとも一実施例では、サーバ９７８は、更新済み若しくはそうではないニューラル・ネットワーク９９２及び／又は、限定することなく交通状態及び道路状態に関する情報を含む地図情報９９４を、ネットワーク９９０を介して車両に送信してもよい。少なくとも一実施例では、地図情報９９４の更新は、建築現場、穴、迂回路、洪水、及び／又は他の障害物に関する情報など、ＨＤマップ９２２に対する更新を、限定することなく含んでもよい。少なくとも一実施例では、ニューラル・ネットワーク９９２及び／又は地図情報９９４は、環境内の任意の数の車両から受信したデータに表された新しい訓練及び／又は経験から得られたものであってもよく、且つ／又は、データ・センタにおいて（たとえば、サーバ９７８及び／又は他のサーバを使用して）実行された訓練に少なくとも部分的に基づき、得られたものであってもよい。
【0188】
少なくとも一実施例では、サーバ９７８を使用して、訓練データに少なくとも部分的に基づき、機械学習モデル（たとえば、ニューラル・ネットワーク）が訓練されてもよい。少なくとも一実施例では、訓練データは車両によって生成されてもよく、且つ／又はシミュレーションで（たとえば、ゲーム・エンジンを使用して）生成されてもよい。少なくとも一実施例では、（たとえば、関連するニューラル・ネットワークが教師あり学習により恩恵を受ける場合には）任意の量の訓練データがタグ付けされ、且つ／又は他の前処理を受ける。少なくとも一実施例では、（たとえば、関連するニューラル・ネットワークが教師あり学習を必要としない場合には）任意の量の訓練データはタグ付け及び／又は前処理されない。少なくとも一実施例では、機械学習モデルが訓練されると、機械学習モデルは車両によって使用されてもよく（たとえば、ネットワーク９９０を介して車両に送信されてもよく）、且つ／又は機械学習モデルは、車両を遠隔監視するためにサーバ９７８によって使用されてもよい。
【0189】
少なくとも一実施例では、サーバ９７８は車両からデータを受信し、リアル・タイムの知的推論ができるように、最新のリアル・タイムのニューラル・ネットワークにデータを適用してもよい。少なくとも一実施例では、サーバ９７８は、ＮＶＩＤＩＡによって開発されたＤＧＸ及びＤＧＸステーション・マシンなど、ＧＰＵ９８４によって動く深層学習スーパーコンピュータ及び／又は専用ＡＩコンピュータを含んでもよい。しかし、少なくとも一実施例では、サーバ９７８は、ＣＰＵにより動くデータ・センタを使用する深層学習インフラストラクチャを含んでもよい。
【0190】
少なくとも一実施例では、サーバ９７８の深層学習インフラストラクチャは、高速のリアル・タイムの推論が可能であってもよく、その機能を使用して、車両９００のプロセッサ、ソフトウェア、及び／又は関連ハードウェアの健全性を評価及び検証してもよい。たとえば、少なくとも一実施例では、深層学習インフラストラクチャは、一連の画像、及び／又はその一連の画像において（たとえば、コンピュータ・ビジョン及び／又は他の機械学習の物体分類技法により）車両９００が位置特定した物体など、周期的な更新を車両９００から受信してもよい。少なくとも一実施例では、深層学習インフラストラクチャは、独自のニューラル・ネットワークを実行して物体を識別し、それを車両９００によって識別された物体と比較してもよく、結果が一致せず、車両９００のＡＩが故障していると深層学習インフラストラクチャが結論づけた場合には、サーバ９７８は、車両９００のフェイル・セーフ・コンピュータに制御を掌握し、乗員に通知し、安全な駐車操作を完了するよう命じる信号を車両９００に送信してもよい。
【0191】
少なくとも一実施例では、サーバ９７８は、ＧＰＵ９８４、及び１つ又は複数のプログラム可能な推論アクセラレータ（たとえば、ＮＶＩＤＩＡのＴｅｎｓｏｒＲＴ３デバイス）を含んでもよい。少なくとも一実施例では、ＧＰＵにより動くサーバと、推論の加速とを組み合わせることによって、リアル・タイムの応答を可能にすることができる。性能がそれほど重要ではない場合など、少なくとも一実施例では、ＣＰＵ、ＦＰＧＡ、及び他のプロセッサにより動くサーバが、推論に使用されてもよい。少なくとも一実施例では、１つ又は複数の実施例を実行するために、ハードウェア構造体６１５が使用される。ハードウェア構造体６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書に提供される。
【0192】
コンピュータ・システム
図１０は、例示的なコンピュータ・システムを示すブロック図であり、このコンピュータ・システムは、少なくとも一実施例による、命令を実行するための実行ユニットを含んでもよいプロセッサとともに形成された、相互接続されたデバイス及び構成要素、システム・オン・チップ（ＳｏＣ）、又はこれらの何らかの組合せを有するシステムであってもよい。少なくとも一実施例では、コンピュータ・システム１０００は、本明細書に記載の実施例などにおいて本開示に従ってデータを処理するためのアルゴリズムを実行する論理を含む実行ユニットを使用するための、プロセッサ１００２などの構成要素を、限定することなく含んでもよい。少なくとも一実施例では、コンピュータ・システム１０００は、カリフォルニア州サンタクララのインテルコーポレーションから入手可能なＰＥＮＴＩＵＭ（登録商標）プロセッサ・ファミリー、Ｘｅｏｎ（商標）、Ｉｔａｎｉｕｍ（登録商標）、ＸＳｃａｌｅ（商標）及び／又はＳｔｒｏｎｇＡＲＭ（商標）、Ｉｎｔｅｌ（登録商標）Ｃｏｒｅ（商標）、又はＩｎｔｅｌ（登録商標）Ｎｅｒｖａｎａ（商標）マイクロプロセッサなどのプロセッサを含んでもよいが、（他のマイクロプロセッサ、エンジニアリング・ワークステーション、セット・トップ・ボックスなどを有するＰＣを含め）他のシステムが使用されてもよい。少なくとも一実施例では、コンピュータ・システム１０００は、ワシントン州、レドモンドのマイクロソフトコーポレーションから入手可能なＷＩＮＤＯＷＳ（登録商標）のオペレーティング・システムのあるバージョンを実行してもよいが、他のオペレーティング・システム（たとえば、ＵＮＩＸ（登録商標）及びＬｉｎｕｘ（登録商標））、組み込みソフトウェア、及び／又はグラフィカル・ユーザ・インターフェースが使用されてもよい。
図１０は、例示的なコンピュータ・システムを示すブロック図であり、このコンピュータ・システムは、少なくとも一実施例による、命令を実行するための実行ユニットを含んでもよいプロセッサとともに形成された、相互接続されたデバイス及び構成要素、システム・オン・チップ（ＳｏＣ）、又はこれらの何らかの組合せを有するシステムであってもよい。少なくとも一実施例では、コンピュータ・システム１０００は、本明細書に記載の実施例などにおいて本開示に従ってデータを処理するためのアルゴリズムを実行する論理を含む実行ユニットを使用するための、プロセッサ１００２などの構成要素を、限定することなく含んでもよい。少なくとも一実施例では、コンピュータ・システム１０００は、カリフォルニア州サンタクララのインテルコーポレーションから入手可能なＰＥＮＴＩＵＭ（登録商標）プロセッサ・ファミリー、Ｘｅｏｎ（商標）、Ｉｔａｎｉｕｍ（登録商標）、ＸＳｃａｌｅ（商標）及び／又はＳｔｒｏｎｇＡＲＭ（商標）、Ｉｎｔｅｌ（登録商標）Ｃｏｒｅ（商標）、又はＩｎｔｅｌ（登録商標）Ｎｅｒｖａｎａ（商標）マイクロプロセッサなどのプロセッサを含んでもよいが、（他のマイクロプロセッサ、エンジニアリング・ワークステーション、セット・トップ・ボックスなどを有するＰＣを含め）他のシステムが使用されてもよい。少なくとも一実施例では、コンピュータ・システム１０００は、ワシントン州、レドモンドのマイクロソフトコーポレーションから入手可能なＷＩＮＤＯＷＳ（登録商標）のオペレーティング・システムのあるバージョンを実行してもよいが、他のオペレーティング・システム（たとえば、ＵＮＩＸ（登録商標）及びＬｉｎｕｘ（登録商標））、組み込みソフトウェア、及び／又はグラフィカル・ユーザ・インターフェースが使用されてもよい。
【0193】
実施例は、携帯型デバイス及び組み込みアプリケーションなど、他のデバイスで使用されてもよい。携帯型デバイスのいくつかの例は、セルラー・フォン、インターネット・プロトコル・デバイス、デジタル・カメラ、パーソナル・デジタル・アシスタント（「ＰＤＡ」：ｐｅｒｓｏｎａｌ ｄｉｇｉｔａｌ ａｓｓｉｓｔａｎｔｓ）、及び携帯型ＰＣを含む。少なくとも一実施例では、組み込みアプリケーションは、マイクロコントローラ、デジタル信号プロセッサ（「ＤＳＰ」：ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、システム・オン・チップ、ネットワーク・コンピュータ（「ＮｅｔＰＣ」：ｎｅｔｗｏｒｋ ｃｏｍｐｕｔｅｒｓ）、セット・トップ・ボックス、ネットワーク・ハブ、広域ネットワーク（「ＷＡＮ」：ｗｉｄｅ ａｒｅａ ｎｅｔｗｏｒｋ）スイッチ、又は少なくとも一実施例による１つ又は複数の命令を実行することができる任意の他のシステムを含んでもよい。
【0194】
少なくとも一実施例では、コンピュータ・システム１０００は、限定することなくプロセッサ１００２を含んでもよく、このプロセッサ１００２は限定することなく、本明細書に記載の技法による機械学習モデルの訓練及び／又は推論を実行するための１つ又は複数の実行ユニット１００８を含んでもよい。少なくとも一実施例では、コンピュータ・システム１０００は、シングル・プロセッサのデスクトップ又はサーバ・システムであるが、別の実施例では、コンピュータ・システム１０００はマルチプロセッサ・システムであってもよい。少なくとも一実施例では、プロセッサ１００２は、限定することなく、複合命令セット・コンピュータ（「ＣＩＳＣ」：ｃｏｍｐｌｅｘ ｉｎｓｔｒｕｃｔｉｏｎ ｓｅｔ ｃｏｍｐｕｔｅｒ）マイクロプロセッサ、縮小命令セット・コンピューティング（「ＲＩＳＣ」）マイクロプロセッサ、超長命令語（「ＶＬＩＷ」）マイクロプロセッサ、命令セットの組合せを実装するプロセッサ、又は任意の他のプロセッサ・デバイス、たとえばデジタル信号プロセッサなどを含んでもよい。少なくとも一実施例では、プロセッサ１００２は、プロセッサ・バス１０１０に結合されてもよく、このプロセッサ・バス１０１０は、プロセッサ１００２とコンピュータ・システム１０００内の他の構成要素との間でデータ信号を送信してもよい。
【0195】
少なくとも一実施例では、プロセッサ１００２は、限定することなく、レベル１（「Ｌ１」）の内部キャッシュ・メモリ（「キャッシュ」）１００４を含んでもよい。少なくとも一実施例では、プロセッサ１００２は、単一の内部キャッシュ又は複数レベルの内部キャッシュを有してもよい。少なくとも一実施例では、キャッシュ・メモリは、プロセッサ１００２の外部にあってもよい。他の実施例は、特定の実装形態及び必要性に応じて、内部キャッシュと外部キャッシュの両方の組合せも含んでよい。少なくとも一実施例では、レジスタ・ファイル１００６は、整数レジスタ、浮動小数点レジスタ、状態レジスタ、及び命令ポインタ・レジスタを限定することなく含む様々レジスタに、異なるタイプのデータを記憶してもよい。
【0196】
少なくとも一実施例では、整数及び浮動小数点の演算を実行するための論理を限定することなく含む実行ユニット１００８も、プロセッサ１００２にある。少なくとも一実施例では、プロセッサ１００２は、ある一定のマクロ命令のためのマイクロコードを記憶するマイクロコード（「ｕコード」）読取り専用メモリ（「ＲＯＭ」：ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）も含んでよい。少なくとも一実施例では、実行ユニット１００８は、パック命令セット１００９に対処する論理を含んでもよい。少なくとも一実施例では、パック命令セット１００９を、命令を実行する関連回路とともに汎用プロセッサの命令セットに含めることにより、多くのマルチメディア・アプリケーションによって使用される演算を、プロセッサ１００２のパック・データを使用して実行することができる。少なくとも一実施例では、プロセッサのデータ・バスの全幅を使用してパック・データの演算を実行することによって、多くのマルチメディア・アプリケーションを加速し、より効率的に実行することができ、これにより、１度に１つのデータ要素に対して１つ又は複数の演算を実行するためにプロセッサのデータ・バス間でより小さい単位のデータを転送する必要をなくすことができる。
【0197】
少なくとも一実施例では、実行ユニット１００８はまた、マイクロコントローラ、組み込みプロセッサ、グラフィックス・デバイス、ＤＳＰ、及び他のタイプの論理回路において使用されてもよい。少なくとも一実施例では、コンピュータ・システム１０００は、限定することなくメモリ１０２０を含んでもよい。少なくとも一実施例では、メモリ１０２０は、ダイナミック・ランダム・アクセス・メモリ（「ＤＲＡＭ」）デバイス、スタティック・ランダム・アクセス・メモリ（「ＳＲＡＭ」）デバイス、フラッシュ・メモリ・デバイス、又は他のメモリ・デバイスであってもよい。少なくとも一実施例では、メモリ１０２０は、プロセッサ１００２によって実行されてもよいデータ信号によって表される命令１０１９、及び／又はデータ１０２１を記憶してもよい。
【0198】
少なくとも一実施例では、システム論理チップが、プロセッサ・バス１０１０及びメモリ１０２０に結合されてもよい。少なくとも一実施例では、システム論理チップは、限定することなく、メモリ・コントローラ・ハブ（「ＭＣＨ」：ｍｅｍｏｒｙ ｃｏｎｔｒｏｌｌｅｒ ｈｕｂ）１０１６を含んでもよく、プロセッサ１００２は、プロセッサ・バス１０１０を介してＭＣＨ１０１６と通信してもよい。少なくとも一実施例では、ＭＣＨ１０１６は、命令及びデータを記憶するため、及びグラフィックス・コマンド、データ、及びテクスチャを記憶するために、高帯域幅メモリ経路１０１８をメモリ１０２０に提供してもよい。少なくとも一実施例では、ＭＣＨ１０１６は、プロセッサ１００２と、メモリ１０２０と、コンピュータ・システム１０００の他の構成要素との間でデータ信号を導き、プロセッサ・バス１０１０と、メモリ１０２０と、システムＩ／Ｏインターフェース１０２２との間でデータ信号をブリッジしてもよい。少なくとも一実施例では、システム論理チップは、グラフィックス・コントローラに結合するためのグラフィックス・ポートを提供してもよい。少なくとも一実施例では、ＭＣＨ１０１６は、高帯域幅メモリ経路１０１８を介してメモリ１０２０に結合されてもよく、グラフィックス／ビデオカード１０１２は、アクセラレーテッド・グラフィックス・ポート（「ＡＧＰ」：Ａｃｃｅｌｅｒａｔｅｄ Ｇｒａｐｈｉｃｓ Ｐｏｒｔ）相互接続１０１４を介してＭＣＨ１０１６に結合されてもよい。
【0199】
少なくとも一実施例では、コンピュータ・システム１０００は、ＭＣＨ１０１６をＩ／Ｏコントローラ・ハブ（「ＩＣＨ」：Ｉ／Ｏ ｃｏｎｔｒｏｌｌｅｒ ｈｕｂ）１０３０に結合するためのプロプライエタリ・ハブ・インターフェース・バスとしてシステムＩ／Ｏインターフェース１０２２を使用してもよい。少なくとも一実施例では、ＩＣＨ１０３０は、ローカルＩ／Ｏバスを介していくつかのＩ／Ｏデバイスに直接接続を提供してもよい。少なくとも一実施例では、ローカルＩ／Ｏバスは、周辺装置をメモリ１０２０、チップセット、及びプロセッサ１００２に接続するための高速Ｉ／Ｏバスを、限定することなく含んでもよい。例としては、オーディオ・コントローラ１０２９、ファームウェア・ハブ（「フラッシュＢＩＯＳ」）１０２８、ワイヤレス・トランシーバ１０２６、データ・ストレージ１０２４、ユーザ入力及びキーボードのインターフェース１０２５を含むレガシーＩ／Ｏコントローラ１０２３、ユニバーサル・シリアル・バス（「ＵＳＢ」：Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）ポートなどのシリアル拡張ポート１０２７、及びネットワーク・コントローラ１０３４が、限定することなく含まれてもよい。少なくとも一実施例では、データ・ストレージ１０２４は、ハード・ディスク・ドライブ、フロッピー（登録商標）・ディスク・ドライブ、ＣＤ－ＲＯＭデバイス、フラッシュ・メモリ・デバイス、又は他の大容量ストレージ・デバイスを備えてもよい。
【0200】
少なくとも一実施例では、図１０は、相互接続されたハードウェア・デバイス又は「チップ」を含むシステムを示すが、一方他の実施例では、図１０は例示的なＳｏＣを示してもよい。少なくとも一実施例では、図１０で示すデバイスは、プロプライエタリ相互接続、標準相互接続（たとえば、ＰＣＩｅ）、又はこれらの何らかの組合せで相互接続されてもよい。少なくとも一実施例では、コンピュータ・システム１０００の１つ又は複数の構成要素は、コンピュート・エクスプレス・リンク（ＣＸＬ：ｃｏｍｐｕｔｅ ｅｘｐｒｅｓｓ ｌｉｎｋ）相互接続を使用して相互接続されてもよい。
【0201】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５は、本明細書に記載のニューラル・ネットワークの訓練動作、ニューラル・ネットワークの機能及び／若しくはアーキテクチャ、又はニューラル・ネットワークのユース・ケースを使用して計算された重みパラメータに少なくとも部分的に基づき、推論又は予測の動作のために図１０のシステムにおいて使用されてもよい。
【0202】
少なくとも一実施例では、図１０に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図１０に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図１０に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0203】
図１１は、少なくとも一実施例による、プロセッサ１１１０を利用するための電子デバイス１１００を示すブロック図である。少なくとも一実施例では、電子デバイス１１００は、たとえば限定することなく、ノートブック、タワー・サーバ、ラック・サーバ、ブレード・サーバ、ラップトップ、デスクトップ、タブレット、モバイル・デバイス、電話、組み込みコンピュータ、又は任意の他の好適な電子デバイスであってもよい。
【0204】
少なくとも一実施例では、電子デバイス１１００は、任意の好適な数若しくは種類の構成要素、周辺装置、モジュール、又はデバイスに通信可能に結合されたプロセッサ１１１０を、限定することなく含んでもよい。少なくとも一実施例では、プロセッサ１１１０は、Ｉ２Ｃバス、システム・マネージメント・バス（「ＳＭＢｕｓ」：Ｓｙｓｔｅｍ Ｍａｎａｇｅｍｅｎｔ Ｂｕｓ）、ロー・ピン・カウント（ＬＰＣ：Ｌｏｗ Ｐｉｎ Ｃｏｕｎｔ）バス、シリアル・ペリフェラル・インターフェース（「ＳＰＩ」：Ｓｅｒｉａｌ Ｐｅｒｉｐｈｅｒａｌ Ｉｎｔｅｒｆａｃｅ）、ハイ・デフィニション・オーディオ（「ＨＤＡ」：Ｈｉｇｈ Ｄｅｆｉｎｉｔｉｏｎ Ａｕｄｉｏ）バス、シリアル・アドバンス・テクノロジー・アタッチメント（「ＳＡＴＡ」：Ｓｅｒｉａｌ Ａｄｖａｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ Ａｔｔａｃｈｍｅｎｔ）バス、ユニバーサル・シリアル・バス（「ＵＳＢ」）（バージョン１、２、３など）、又はユニバーサル非同期レシーバ／トランスミッタ（「ＵＡＲＴ」：Ｕｎｉｖｅｒｓａｌ Ａｓｙｎｃｈｒｏｎｏｕｓ Ｒｅｃｅｉｖｅｒ／Ｔｒａｎｓｍｉｔｔｅｒ）バスなどのバス若しくはインターフェースを使用して結合される。少なくとも一実施例では、図１１は、相互接続されたハードウェア・デバイス又は「チップ」を含むシステムを示すが、一方他の実施例では、図１１は例示的なＳｏＣを示してもよい。少なくとも一実施例では、図１１で示すデバイスは、プロプライエタリ相互接続、標準相互接続（たとえば、ＰＣＩｅ）、又はこれらの何らかの組合せで相互接続されてもよい。少なくとも一実施例では、図１１の１つ又は複数の構成要素は、コンピュート・エクスプレス・リンク（ＣＸＬ）相互接続を使用して相互接続されてもよい。
【0205】
少なくとも一実施例では、図１１は、ディスプレイ１１２４、タッチ画面１１２５、タッチ・パッド１１３０、近距離無線通信ユニット（「ＮＦＣ」：Ｎｅａｒ Ｆｉｅｌｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｕｎｉｔ）１１４５、センサ・ハブ１１４０、熱センサ１１４６、エクスプレス・チップセット（「ＥＣ」：Ｅｘｐｒｅｓｓ Ｃｈｉｐｓｅｔ）１１３５、トラステッド・プラットフォーム・モジュール（「ＴＰＭ」：Ｔｒｕｓｔｅｄ Ｐｌａｔｆｏｒｍ Ｍｏｄｕｌｅ）１１３８、ＢＩＯＳ／ファームウェア／フラッシュ・メモリ（「ＢＩＯＳ、ＦＷフラッシュ」：ＢＩＯＳ／ｆｉｒｍｗａｒｅ／ｆｌａｓｈ ｍｅｍｏｒｙ）１１２２、ＤＳＰ１１６０、ソリッド・ステート・ディスク（「ＳＳＤ」：Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｉｓｋ）若しくはハード・ディスク・ドライブ（「ＨＤＤ」：Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などのドライブ１１２０、ワイヤレス・ローカル・エリア・ネットワーク・ユニット（「ＷＬＡＮ」：ｗｉｒｅｌｅｓｓ ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋ ｕｎｉｔ）１１５０、Ｂｌｕｅｔｏｏｔｈユニット１１５２、ワイヤレス広域ネットワーク・ユニット（「ＷＷＡＮ」：Ｗｉｒｅｌｅｓｓ Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ ｕｎｉｔ）１１５６、全地球測位システム（ＧＰＳ：Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）ユニット１１５５、ＵＳＢ３．０カメラなどのカメラ（「ＵＳＢ３．０カメラ」）１１５４、及び／又は、たとえばＬＰＤＤＲ３規格に実装された低電力ダブル・データ・レート（「ＬＰＤＤＲ」：Ｌｏｗ Ｐｏｗｅｒ Ｄｏｕｂｌｅ Ｄａｔａ Ｒａｔｅ）メモリ・ユニット（「ＬＰＤＤＲ３」）１１１５を含んでもよい。これらの構成要素は、それぞれ任意の好適なやり方で実装されてもよい。
【0206】
少なくとも一実施例では、上述した構成要素を介して、他の構成要素がプロセッサ１１１０に通信可能に結合されてもよい。少なくとも一実施例では、加速度計１１４１、周囲光センサ（「ＡＬＳ」：ａｍｂｉｅｎｔ ｌｉｇｈｔ ｓｅｎｓｏｒ）１１４２、コンパス１１４３、及びジャイロスコープ１１４４が、センサ・ハブ１１４０に通信可能に結合されてもよい。少なくとも一実施例では、熱センサ１１３９、ファン１１３７、キーボード１１３６、及びタッチ・パッド１１３０が、ＥＣ１１３５に通信可能に結合されてもよい。少なくとも一実施例では、スピーカ１１６３、ヘッドフォン１１６４、及びマイクロフォン（「ｍｉｃ」）１１６５が、オーディオ・ユニット（「オーディオ・コーデック及びクラスＤアンプ」）１１６２に通信可能に結合されてもよく、このオーディオ・ユニット１１６２は、ＤＳＰ１１６０に通信可能に結合されてもよい。少なくとも一実施例では、オーディオ・ユニット１１６２は、たとえば限定することなく、オーディオ・コーダ／デコーダ（「コーデック」）及びクラスＤアンプリファイアを含んでもよい。少なくとも一実施例では、ＳＩＭカード（「ＳＩＭ」）１１５７は、ＷＷＡＮユニット１１５６に通信可能に結合されてもよい。少なくとも一実施例では、ＷＬＡＮユニット１１５０及びＢｌｕｅｔｏｏｔｈユニット１１５２などの構成要素、並びにＷＷＡＮユニット１１５６は、次世代フォーム・ファクタ（「ＮＧＦＦ」：Ｎｅｘｔ Ｇｅｎｅｒａｔｉｏｎ Ｆｏｒｍ Ｆａｃｔｏｒ）に実装されてもよい。
【0207】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５は、本明細書に記載のニューラル・ネットワークの訓練動作、ニューラル・ネットワークの機能及び／若しくはアーキテクチャ、又はニューラル・ネットワークのユース・ケースを使用して計算された重みパラメータに少なくとも部分的に基づき、推論又は予測の動作のために図１１のシステムにおいて使用されてもよい。
【0208】
少なくとも一実施例では、図１１に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図１１に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図１１に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0209】
図１２は、少なくとも一実施例による、コンピュータ・システム１２００を示す。少なくとも一実施例では、コンピュータ・システム１２００は、本開示全体を通して説明する様々なプロセス及び方法を実装するように構成される。
【0210】
少なくとも一実施例では、コンピュータ・システム１２００は、限定することなく、少なくとも１つの中央処理装置（「ＣＰＵ」）１２０２を含み、この処理装置は、ＰＣＩ（「ペリフェラル・コンポーネント・インターコネクト（Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔ）」）、ペリフェラル・コンポーネント・インターコネクト・エクスプレス（「ＰＣＩ－Ｅｘｐｒｅｓｓ」：ｐｅｒｉｐｈｅｒａｌ ｃｏｍｐｏｎｅｎｔ ｉｎｔｅｒｃｏｎｎｅｃｔ ｅｘｐｒｅｓｓ）、ＡＧＰ（「アクセラレーテッド・グラフィックス・ポート（Ａｃｃｅｌｅｒａｔｅｄ Ｇｒａｐｈｉｃｓ Ｐｏｒｔ）」）、ハイパートランスポート、又は任意の他のバス若しくはポイントツーポイントの通信プロトコルなど、任意の好適なプロトコルを使用して実装された通信バス１２１０に接続される。少なくとも一実施例では、コンピュータ・システム１２００は、限定することなく、メイン・メモリ１２０４、及び（たとえば、ハードウェア、ソフトウェア、又はこれらの組合せとして実装される）制御論理を限定することなく含み、データは、ランダム・アクセス・メモリ（「ＲＡＭ」：ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）の形をとってもよいメイン・メモリ１２０４に記憶される。少なくとも一実施例では、ネットワーク・インターフェース・サブシステム（「ネットワーク・インターフェース」）１２２２は、コンピュータ・システム１２００を有する他のシステムからデータを受信し、コンピュータ・システム１２００を有する他のシステムにデータを送信するための他のコンピューティング・デバイス及びネットワークとのインターフェースを提供する。
【0211】
少なくとも一実施例では、コンピュータ・システム１２００は、少なくとも一実施例では、限定することなく、入力デバイス１２０８、並列処理システム１２１２、及びディスプレイ・デバイス１２０６を含み、このディスプレイ・デバイスは、従来の陰極線管（「ＣＲＴ」：ｃａｔｈｏｄｅ ｒａｙ ｔｕｂｅ）、液晶ディスプレイ（「ＬＣＤ」：ｌｉｑｕｉｄ ｃｒｙｓｔａｌ ｄｉｓｐｌａｙ）、発光ダイオード（「ＬＥＤ」：ｌｉｇｈｔ ｅｍｉｔｔｉｎｇ ｄｉｏｄｅ）ディスプレイ、プラズマ・ディスプレイ、又は他の好適なディスプレイ技術を使用して実装することができる。少なくとも一実施例では、ユーザ入力は、キーボード、マウス、タッチパッド、マイクロフォンなどの入力デバイス１２０８から受け取る。少なくとも一実施例では、本明細書に記載の各モジュールを単一の半導体プラットフォームに置いて、処理システムを形成することができる。
【0212】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５は、本明細書に記載のニューラル・ネットワークの訓練動作、ニューラル・ネットワークの機能及び／若しくはアーキテクチャ、又はニューラル・ネットワークのユース・ケースを使用して計算された重みパラメータに少なくとも部分的に基づき、推論又は予測の動作のために図１２のシステムにおいて使用されてもよい。
【0213】
少なくとも一実施例では、図１２に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図１２に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図１２に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0214】
図１３は、少なくとも一実施例による、コンピュータ・システム１３００を示す。少なくとも一実施例では、コンピュータ・システム１３００は、限定することなく、コンピュータ１３１０及びＵＳＢスティック１３２０を含んでもよい。少なくとも一実施例では、コンピュータ１３１０は、限定することなく、任意の数及びタイプのプロセッサ（図示せず）、並びにメモリ（図示せず）を含んでもよい。少なくとも一実施例では、コンピュータ１３１０は、限定することなく、サーバ、クラウド・インスタンス、ラップトップ、及びデスクトップ・コンピュータを含む。
【0215】
少なくとも一実施例では、ＵＳＢスティック１３２０は、限定することなく、処理ユニット１３３０、ＵＳＢインターフェース１３４０、及びＵＳＢインターフェース論理１３５０を含む。少なくとも一実施例では、処理ユニット１３３０は、命令を実行することができる任意の命令実行システム、装置、又はデバイスであってもよい。少なくとも一実施例では、処理ユニット１３３０は、限定することなく、任意の数及びタイプの処理コア（図示せず）を含んでもよい。少なくとも一実施例では、処理ユニット１３３０は、機械学習に関連する任意の量及びタイプの演算を実行するように最適化された特定用途向け集積回路（「ＡＳＩＣ」）を備える。たとえば、少なくとも一実施例では、処理ユニット１３３０は、機械学習の推論演算を実行するように最適化されたテンソル処理ユニット（「ＴＰＣ」：ｔｅｎｓｏｒ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）である。少なくとも一実施例では、処理ユニット１３３０は、機械視覚及び機械学習の推論演算を実行するように最適化された視覚処理ユニット（「ＶＰＵ」）である。
【0216】
少なくとも一実施例では、ＵＳＢインターフェース１３４０は、任意のタイプのＵＳＢコネクタ又はＵＳＢソケットであってもよい。たとえば、少なくとも一実施例では、ＵＳＢインターフェース１３４０は、データ及び電源用のＵＳＢ３．０ Ｔｙｐｅ－Ｃのソケットである。少なくとも一実施例では、ＵＳＢインターフェース１３４０は、ＵＳＢ３．０ Ｔｙｐｅ－Ａのコネクタである。少なくとも一実施例では、ＵＳＢインターフェース論理１３５０は、処理ユニット１３３０がＵＳＢコネクタ１３４０を介してデバイス（たとえばコンピュータ１３１０）とインターフェースをとることを可能にする任意の量及びタイプの論理を含んでもよい。
【0217】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５は、本明細書に記載のニューラル・ネットワークの訓練動作、ニューラル・ネットワークの機能及び／若しくはアーキテクチャ、又はニューラル・ネットワークのユース・ケースを使用して計算された重みパラメータに少なくとも部分的に基づき、推論又は予測の動作のために図１３のシステムにおいて使用されてもよい。
【0218】
少なくとも一実施例では、図１３に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図１３に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図１３に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0219】
図１４Ａは、複数のＧＰＵ１４１０（１）～１４１０（Ｎ）が、高速リンク１４４０（１）～１４４０（Ｎ）（たとえば、バス、ポイントツーポイント相互接続など）を介して複数のマルチ・コア・プロセッサ１４０５（１）～１４０５（Ｍ）に通信可能に結合されている例示的なアーキテクチャを示す。少なくとも一実施例では、高速リンク１４４０（１）～１４４０（Ｎ）は、４ＧＢ／秒、３０ＧＢ／秒、８０ＧＢ／秒、又はそれ以上の通信スループットをサポートする。少なくとも一実施例では、ＰＣＩｅ４．０又は５．０、及びＮＶＬｉｎｋ２．０を含むがこれらに限定されない様々な相互接続プロトコルが使用されてもよい。様々な図において、「Ｎ」及び「Ｍ」は、正の整数を表し、その値は図ごとに異なってもよい。
【0220】
さらに、少なくとも一実施例では、ＧＰＵ１４１０のうちの２つ以上は高速リンク１４２９（１）～１４２９（２）を介して相互接続され、これらは、高速リンク１４４０（１）～１４４０（Ｎ）に使用されたものと同様の又は異なるプロトコル／リンクを使用して実装されてもよい。同様に、マルチ・コア・プロセッサ１４０５のうちの２つ以上は、高速リンク１４２８を介して接続されてもよく、この高速リンク１４２８は、２０ＧＢ／秒、３０ＧＢ／秒、１２０ＧＢ／秒、又はそれ以上で動作する対称型マルチプロセッサ（ＳＭＰ）バスとすることができる。或いは、図１４Ａに示す様々なシステム構成要素間のすべての通信は、同様のプロトコル／リンクを使用して（たとえば、共通の相互接続ファブリックを介して）実現されてもよい。
【0221】
少なくとも一実施例では、各マルチ・コア・プロセッサ１４０５は、それぞれメモリ相互接続１４２６（１）～１４２６（Ｍ）を介してプロセッサ・メモリ１４０１（１）～１４０１（Ｍ）に通信可能に結合され、各ＧＰＵ１４１０（１）～１４１０（Ｎ）は、それぞれＧＰＵメモリ相互接続１４５０（１）～１４５０（Ｎ）を介してＧＰＵメモリ１４２０（１）～１４２０（Ｎ）に通信可能に結合される。少なくとも一実施例では、メモリ相互接続１４２６及び１４５０は、同様の又は異なるメモリ・アクセス技術を利用してもよい。例として、限定ではなく、プロセッサ・メモリ１４０１（１）～１４０１（Ｍ）及びＧＰＵメモリ１４２０は、（積層ＤＲＡＭを含む）ダイナミック・ランダム・アクセス・メモリ（ＤＲＡＭ）、グラフィックスＤＤＲ ＳＤＲＡＭ（ＧＤＤＲ）（たとえば、ＧＤＤＲ５、ＧＤＤＲ６）、又は高帯域幅メモリ（ＨＢＭ）などの揮発性メモリであってもよく、且つ／又は３Ｄ ＸＰｏｉｎｔ又はＮａｎｏ－Ｒａｍなどの不揮発性メモリであってもよい。少なくとも一実施例では、（たとえば、２レベルのメモリ（２ＬＭ）階層を使用して）、プロセッサ・メモリ１４０１のいくつかの部分は揮発性メモリであってもよく、別の部分は不揮発性メモリであってもよい。
【0222】
本明細書に記載するように、様々なマルチ・コア・プロセッサ１４０５及びＧＰＵ１４１０は、それぞれ特定のメモリ１４０１、１４２０に物理的に結合されてもよい、及び／又は仮想システムのアドレス空間（「実効アドレス」空間とも呼ぶ）が様々な物理メモリ間に分配されている統合されたメモリ・アーキテクチャが実装されてもよい。たとえば、プロセッサ・メモリ１４０１（１）～１４０１（Ｍ）はそれぞれ、６４ＧＢのシステム・メモリ・アドレス空間を備えてもよく、ＧＰＵメモリ１４２０（１）～１４２０（Ｎ）はそれぞれ、３２ＧＢのシステム・メモリ・アドレス空間を備えてもよく、Ｍ＝２でＮ＝４の場合、合計２５６ＧＢのアドレス指定可能メモリが得られる。Ｎ及びＭについて他の値が考えられる。
【0223】
図１４Ｂは、１つの例示的な実施例によるマルチ・コア・プロセッサ１４０７とグラフィックス加速モジュール１４４６との相互接続のさらなる詳細事項を示す。少なくとも一実施例では、グラフィックス加速モジュール１４４６は、高速リンク１４４０（たとえば、ＰＣＩｅバス、ＮＶＬｉｎｋなど）を介してプロセッサ１４０７に結合されるライン・カードに集積された１つ又は複数のＧＰＵチップを含んでもよい。少なくとも一実施例では、或いは、グラフィックス加速モジュール１４４６は、プロセッサ１４０７を有するパッケージ又はチップに集積されてもよい。
【0224】
少なくとも一実施例では、プロセッサ１４０７は、複数のコア１４６０Ａ～１４６０Ｄを含み、それぞれのコアが、トランスレーション・ルックアサイド・バッファ（ＴＬＢ：ｔｒａｎｓｌａｔｉｏｎ ｌｏｏｋａｓｉｄｅ ｂｕｆｆｅｒ）１４６１Ａ～１４６１Ｄと、１つ又は複数のキャッシュ１４６２Ａ～１４６２Ｄとを有する。少なくとも一実施例では、コア１４６０Ａ～１４６０Ｄは、命令を実行しデータを処理するための、図示していない様々な他の構成要素を含んでもよい。少なくとも一実施例では、キャッシュ１４６２Ａ～１４６２Ｄは、レベル１（Ｌ１）及びレベル２（Ｌ２）のキャッシュを備えてもよい。さらに、１つ又は複数の共有キャッシュ１４５６が、キャッシュ１４６２Ａ～１４６２Ｄに含まれ、コア１４６０Ａ～１４６０Ｄのセットによって共有されてもよい。たとえば、プロセッサ１４０７の一実施例は、２４個のコアを含み、各コアが、独自のＬ１キャッシュ、１２個の共有Ｌ２キャッシュ、及び１２個の共有Ｌ３キャッシュを有する。この実施例では、１つ又は複数のＬ２及びＬ３のキャッシュが、２つの隣接するコアによって共有される。少なくとも一実施例では、プロセッサ１４０７及びグラフィックス加速モジュール１４４６は、システム・メモリ１４１４に接続されており、このシステム・メモリ１４１４は、図１４Ａのプロセッサ・メモリ１４０１（１）～１４０１（Ｍ）を含んでもよい。
【0225】
少なくとも一実施例では、様々なキャッシュ１４６２Ａ～１４６２Ｄ、１４５６、及びシステム・メモリ１４１４に記憶されたデータ及び命令については、コヒーレンス・バス１４６４を介したコア間通信によって、コヒーレンスが維持される。少なくとも一実施例では、たとえば、各キャッシュは、特定のキャッシュ・ラインに対する読取り又は書込みを検出したことに応答して、コヒーレンス・バス１４６４を介して通信するために、それに関連するキャッシュ・コヒーレンス論理／回路を有してもよい。少なくとも一実施例では、キャッシュ・アクセスを監視するために、コヒーレンス・バス１４６４を介してキャッシュ・スヌーピング・プロトコルが実装される。
【0226】
少なくとも一実施例では、プロキシ回路１４２５が、グラフィックス加速モジュール１４４６をコヒーレンス・バス１４６４に通信可能に結合して、グラフィックス加速モジュール１４４６がコア１４６０Ａ～１４６０Ｄのピアとしてキャッシュ・コヒーレンス・プロトコルに参加できるようにする。特に、少なくとも一実施例では、インターフェース１４３５は、高速リンク１４４０を介してプロキシ回路１４２５への接続を提供し、インターフェース１４３７は、グラフィックス加速モジュール１４４６を高速リンク１４４０に接続する。
【0227】
少なくとも一実施例では、アクセラレータ統合回路１４３６は、グラフィックス加速モジュール１４４６の複数のグラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）の代わりに、キャッシュ管理、メモリ・アクセス、コンテンツ管理、及び割込み管理のサービスを提供する。少なくとも一実施例では、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）はそれぞれ、別個のグラフィックス・プロセッシング・ユニット（ＧＰＵ）を備えてもよい。少なくとも一実施例では、或いは、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）は、ＧＰＵの中に、グラフィックス実行ユニット、メディア処理エンジン（たとえば、ビデオ・エンコーダ／デコーダ）、サンプラ、及びブリット・エンジンなど、異なるタイプのグラフィックス処理エンジンを備えてもよい。少なくとも一実施例では、グラフィックス加速モジュール１４４６は、複数のグラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）を有するＧＰＵであってもよく、又はグラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）は、共通のパッケージ、ライン・カード、若しくはチップに集積された個々のＧＰＵであってもよい。
【0228】
少なくとも一実施例では、アクセラレータ統合回路１４３６は、仮想から物理のメモリ・トランスレーション（実効から実（ｅｆｆｅｃｔｉｖｅ－ｔｏ－ｒｅａｌ）のメモリ・トランスレーションとも呼ばれる）など、様々なメモリ管理機能を実行するためのメモリ管理ユニット（ＭＭＵ）１４３９、及びシステム・メモリ１４１４にアクセスするためのメモリ・アクセス・プロトコルを含む。少なくとも一実施例では、ＭＭＵ１４３９は、仮想／実効から物理／実へのアドレス・トランスレーションをキャッシュするためのトランスレーション・ルックアサイド・バッファ（ＴＬＢ）（図示せず）も含むことができる。少なくとも一実施例では、キャッシュ１４３８は、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）から効率的にアクセスできるように、コマンド及びデータを記憶することができる。少なくとも一実施例では、キャッシュ１４３８及びグラフィックス・メモリ１４３３（１）～１４３３（Ｍ）に記憶されたデータは、場合によりフェッチ・ユニット１４４４を使用して、コア・キャッシュ１４６２Ａ～１４６２Ｄ、１４５６、及びシステム・メモリ１４１４とコヒーレントに保たれる。述べたように、これは、キャッシュ１４３８及びメモリ１４３３（１）～１４３３（Ｍ）の代わりにプロキシ回路１４２５を介して（たとえば、プロセッサ・キャッシュ１４６２Ａ～１４６２Ｄ、１４５６におけるキャッシュ・ラインの修正／アクセスに関する更新をキャッシュ１４３８に送り、キャッシュ１４３８からの更新を受け取って）実現されてもよい。
【0229】
少なくとも一実施例では、レジスタ１４４５のセットが、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）によって実行されるスレッドのためのコンテキスト・データを記憶し、コンテキスト管理回路１４４８が、スレッド・コンテキストを管理する。たとえば、コンテキスト管理回路１４４８は、コンテキスト・スイッチ中に様々なスレッドのコンテキストを保存及び復元するために、保存及び復元の動作を実行してもよい（たとえば、ここで、第２のスレッドをグラフィックス処理エンジンによって実行できるように、第１のスレッドが保存され、第２のスレッドが記憶される）。たとえば、コンテキスト・スイッチ時に、コンテキスト管理回路１４４８は、現在のレジスタ値を（たとえば、コンテキスト・ポインタによって識別された）メモリの指定領域に記憶してもよい。それは、次いで、コンテキストに戻るときに、コンテキスト管理回路１４４８がレジスタ値を復元してもよい。少なくとも一実施例では、割込み管理回路１４４７は、システム・デバイスから受け取った割込みを受け取り、処理する。
【0230】
少なくとも一実施例では、グラフィックス処理エンジン１４３１からの仮想／実効アドレスは、ＭＭＵ１４３９によってシステム・メモリ１４１４の実／物理アドレスにトランスレートされる。少なくとも一実施例では、アクセラレータ統合回路１４３６の一実施例は、複数（たとえば、４個、８個、１６個）のグラフィックス・アクセラレータ・モジュール１４４６、及び／又は他のアクセラレータ・デバイスをサポートする。少なくとも一実施例では、グラフィックス・アクセラレータ・モジュール１４４６は、プロセッサ１４０７上で実行される単一のアプリケーション専用のものであってもよく、又は複数のアプリケーション間で共有されてもよい。少なくとも一実施例では、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）のリソースが複数のアプリケーション又は仮想機械（ＶＭ）と共有される仮想化グラフィックス実行環境が存在する。少なくとも一実施例では、リソースは、「スライス」に細分化されてもよく、このスライスが、処理要件、並びにＶＭ及び／又はアプリケーションに関連付けられた優先度に基づき、異なるＶＭ及び／又はアプリケーションに割り振られる。
【0231】
少なくとも一実施例では、アクセラレータ統合回路１４３６は、グラフィックス加速モジュール１４４６のためのシステムへのブリッジとして機能し、アドレス・トランスレーション及びシステム・メモリのキャッシュ・サービスを提供する。さらに、少なくとも一実施例では、アクセラレータ統合回路１４３６は、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）の仮想化、割込み、及びメモリ管理をホスト・プロセッサが管理するための仮想化設備を提供してもよい。
【0232】
少なくとも一実施例では、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）のハードウェア・リソースは、ホスト・プロセッサ１４０７が見る実アドレス空間に明示的にマッピングされるので、いかなるホスト・プロセッサも、実効アドレス値を使用して、これらのリソースに直接アドレス指定することができる。少なくとも一実施例では、アクセラレータ統合回路１４３６の１つの機能は、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）を、システムにとって独立したユニットに見えるように物理的に分離することである。
【0233】
少なくとも一実施例では、１つ又は複数のグラフィックス・メモリ１４３３（１）～１４３３（Ｍ）はそれぞれ、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）のそれぞれに結合され、Ｎ＝Ｍである少なくとも一実施例では、グラフィックス・メモリ１４３３（１）～１４３３（Ｍ）は、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）のそれぞれによって処理される、命令及びデータを記憶することができる。少なくとも一実施例では、グラフィックス・メモリ１４３３（１）～１４３３（Ｍ）は、（積層ＤＲＡＭを含む）ＤＲＡＭ、ＧＤＤＲメモリ（たとえば、ＧＤＤＲ５、ＧＤＤＲ６）、又はＨＢＭなどの揮発性メモリであってもよく、且つ／又は３Ｄ ＸＰｏｉｎｔ又はＮａｎｏ－Ｒａｍなどの不揮発性メモリであってもよい。
【0234】
少なくとも一実施例では、高速リンク１４４０を介したデータ・トラフィックを低減するために、グラフィックス・メモリ１４３３（１）～１４３３（Ｍ）に記憶されるデータが、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）によって最も頻繁に使用されることになるデータであるようにし、好ましくはコア１４６０Ａ～１４６０Ｄによっては使用されない（少なくとも頻繁には使用されない）データであるようにするためのバイアス技法を使用することができる。同様に、少なくとも一実施例では、バイアス機構は、コアが必要とする（したがって、好ましくはグラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）は必要としない）データを、キャッシュ１４６２Ａ～１４６２Ｄ、１４５６、及びシステム・メモリ１４１４の中に保つよう試みる。
【0235】
図１４Ｃは、アクセラレータ統合回路１４３６がプロセッサ１４０７内に一体化されている別の例示的な実施例を示す。この実施例では、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）は、インターフェース１４３７及びインターフェース１４３５により、高速リンク１４４０を介して直接アクセラレータ統合回路１４３６と通信する（この場合も任意の形のバス又はインターフェース・プロトコルであり得る）。少なくとも一実施例では、アクセラレータ統合回路１４３６は、図１４Ｂに関して説明したのと同様の動作を実行してもよいが、コヒーレンス・バス１４６４及びキャッシュ１４６２Ａ～１４６２Ｄ、１４５６に近接していることを考えると、潜在的には、より高いスループットで動作してもよい。少なくとも一実施例では、アクセラレータ統合回路は、（グラフィックス加速モジュールの仮想化のない）専用プロセスのプログラミング・モデルと、（仮想化のある）共有プログラミング・モデルとを含む異なるプログラミング・モデルをサポートし、これらは、アクセラレータ統合回路１４３６によって制御されるプログラミング・モデルと、グラフィックス加速モジュール１４４６によって制御されるプログラミング・モデルとを含んでもよい。
【0236】
少なくとも一実施例では、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）は、単一のオペレーティング・システムの下で単一のアプリケーション又はプロセスに専用のものである。少なくとも一実施例では、単一のアプリケーションは、他のアプリケーション要求をグラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）に集中させて、ＶＭ／パーティション内で仮想化を実現することができる。
【0237】
少なくとも一実施例では、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）は、複数のＶＭ／アプリケーション・パーティションによって共有されてもよい。少なくとも一実施例では、共有モデルはシステム・ハイパーバイザを使用して、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）を仮想化して、各オペレーティング・システムによるアクセスを可能にしてもよい。少なくとも一実施例では、ハイパーバイザのない単一パーティションのシステムでは、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）は、オペレーティング・システムによって所有される。少なくとも一実施例では、オペレーティング・システムは、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）を仮想化して、各プロセス又はアプリケーションへのアクセスを提供することができる。
【0238】
少なくとも一実施例では、グラフィックス加速モジュール１４４６又は個々のグラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）は、プロセス・ハンドルを使用して、プロセス要素を選択する。少なくとも一実施例では、プロセス要素は、システム・メモリ１４１４に記憶されており、本明細書に記載の実効アドレスから実アドレスへのトランスレーション技法を使用してアドレス指定可能である。少なくとも一実施例では、プロセス・ハンドルは、ホスト・プロセスのコンテキストをグラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）に登録する（すなわち、プロセス要素リンク・リストにプロセス要素を追加するためのシステム・ソフトウェアをコールする）ときに、ホスト・プロセスに提供される実装固有の値であってもよい。少なくとも一実施例では、プロセス・ハンドルの下位１６ビットは、プロセス要素リンク・リスト内のプロセス要素のオフセットであってもよい。
【0239】
図１４Ｄは、例示的なアクセラレータ統合スライス１４９０を示す。少なくとも一実施例では、「スライス」は、アクセラレータ統合回路１４３６の処理リソースの指定部分を備える。少なくとも一実施例では、システム・メモリ１４１４内のアプリケーション実効アドレス空間１４８２は、プロセス要素１４８３を記憶する。少なくとも一実施例では、プロセス要素１４８３は、プロセッサ１４０７上で実行されているアプリケーション１４８０からのＧＰＵ呼出し１４８１に応答して、記憶される。少なくとも一実施例では、プロセス要素１４８３は、対応するアプリケーション１４８０のプロセス状態を収容する。少なくとも一実施例では、プロセス要素１４８３に収容されたワーク記述子（ＷＤ）１４８４は、アプリケーションによって要求される単一のジョブとすることができ、又はジョブのキューに対するポインタを収容してもよい。少なくとも一実施例では、ＷＤ１４８４は、アプリケーションの実効アドレス空間１４８２におけるジョブ要求キューに対するポインタである。
【0240】
少なくとも一実施例では、グラフィックス加速モジュール１４４６及び／又は個々のグラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）は、システム内のプロセスのすべて又はサブセットによって共有されることが可能である。少なくとも一実施例では、プロセス状態を設定し、ＷＤ１４８４をグラフィックス加速モジュール１４４６に送って、仮想化環境においてジョブを開始するためのインフラストラクチャが、含められてもよい。
【0241】
少なくとも一実施例では、専用のプロセス・プログラミング・モデルは、実装固有である。少なくとも一実施例では、このモデルでは、単一のプロセスが、グラフィックス加速モジュール１４４６又は個々のグラフィックス処理エンジン１４３１を所有する。少なくとも一実施例では、グラフィックス加速モジュール１４４６が単一のプロセスによって所有される場合、グラフィックス加速モジュール１４４６が割り当てられると、ハイパーバイザは、所有パーティションについてアクセラレータ統合回路１４３６を初期化し、オペレーティング・システムは、所有プロセスについてアクセラレータ統合回路１４３６を初期化する。
【0242】
少なくとも一実施例では、動作時、アクセラレータ統合スライス１４９０内のＷＤフェッチ・ユニット１４９１は、グラフィックス加速モジュール１４４６の１つ又は複数のグラフィックス処理エンジンによって行われることになるワークの表示を含む次のＷＤ１４８４をフェッチする。少なくとも一実施例では、図示してあるように、ＷＤ１４８４からのデータは、レジスタ１４４５に記憶され、ＭＭＵ１４３９、割込み管理回路１４４７、及び／又はコンテキスト管理回路１４４８によって使用されてもよい。たとえば、ＭＭＵ１４３９の一実施例は、ＯＳ仮想アドレス空間１４８５内のセグメント／ページ・テーブル１４８６にアクセスするためのセグメント／ページ・ウォーク回路を含む。少なくとも一実施例では、割込み管理回路１４４７は、グラフィックス加速モジュール１４４６から受け取った割込みイベント１４９２を処理してもよい。少なくとも一実施例では、グラフィックス動作を実行するとき、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）によって生成された実効アドレス１４９３は、ＭＭＵ１４３９によって実アドレスにトランスレートされる。
【0243】
少なくとも一実施例では、レジスタ１４４５が、各グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）、及び／又はグラフィックス加速モジュール１４４６について複製され、ハイパーバイザ又はオペレーティング・システムによって初期化されてもよい。少なくとも一実施例では、これらの複製されたレジスタのそれぞれは、アクセラレータ統合スライス１４９０に含まれてもよい。ハイパーバイザによって初期化されてもよい例示的なレジスタを、表１に示す。
【表1】
【0244】
オペレーティング・システムによって初期化されてもよい例示的なレジスタを、表２に示す。
【表2】
【0245】
少なくとも一実施例では、各ＷＤ１４８４は、特定のグラフィックス加速モジュール１４４６及び／又はグラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）に固有のものである。少なくとも一実施例では、ＷＤ１４８４は、グラフィックス処理エンジン１４３１（１）～１４３１（Ｎ）がワークを行うために必要とするすべての情報を収容し、又は完了すべきワークのコマンド・キューをアプリケーションがセットアップした場所であるメモリ・ロケーションを指すポインタとすることができる。
【0246】
図１４Ｅは、共有モデルの例示的な一実施例のさらなる詳細事項を示す。この実施例は、プロセス要素リスト１４９９が記憶されているハイパーバイザ実アドレス空間１４９８を含む。少なくとも一実施例では、ハイパーバイザ実アドレス空間１４９８は、オペレーティング・システム１４９５のグラフィックス加速モジュール・エンジンを仮想化するハイパーバイザ１４９６を介してアクセス可能である。
【0247】
少なくとも一実施例では、共有プログラミング・モデルは、システム内のすべて又はサブセットのパーティションからのすべて又はサブセットのプロセスが、グラフィックス加速モジュール１４４６を使用できるようにする。少なくとも一実施例では、グラフィックス加速モジュール１４４６が複数のプロセス及びパーティションによって共有されるプログラミング・モデルが、２つ、つまり時間スライス共有及びグラフィックス指定共有（ｇｒａｐｈｉｃｓ－ｄｉｒｅｃｔｅｄ ｓｈａｒｅｄ）が存在する。
【0248】
少なくとも一実施例では、このモデルでは、システム・ハイパーバイザ１４９６がグラフィックス加速モジュール１４４６を所有しており、その機能をすべてのオペレーティング・システム１４９５にとって利用可能にする。少なくとも一実施例では、システム・ハイパーバイザ１４９６による仮想化をグラフィックス加速モジュール１４４６がサポートするために、グラフィックス加速モジュール１４４６は、（１）アプリケーションのジョブ要求は自律でなくてはならず（すなわち、ジョブ間で状態を維持する必要はなく）、又はグラフィックス加速モジュール１４４６が、コンテキストの保存及び復元の機構を提供しなくてはならない、（２）アプリケーションのジョブ要求は、あらゆるトランスレーション誤りも含めて指定された時間量で完了するようグラフィックス加速モジュール１４４６によって保証され、又はグラフィックス加速モジュール１４４６が、ジョブの処理をプリエンプションする機能を提供する、及び（３）グラフィックス加速モジュール１４４６は、指定の共有プログラミング・モデルで動作しているとき、プロセス間で公平性が保証されなくてはならないなどのいくつかの要件に準拠してもよい。
【0249】
少なくとも一実施例では、アプリケーション１４８０は、グラフィックス加速モジュールのタイプ、ワーク記述子（ＷＤ）、権限マスク・レジスタ（ＡＭＲ）値、及びコンテキスト保存／復元エリア・ポインタ（ＣＳＲＰ）を伴って、オペレーティング・システム１４９５のシステム・コールを行う必要がある。少なくとも一実施例では、グラフィックス加速モジュールのタイプは、システム・コールで目的とする加速機能を記述している。少なくとも一実施例では、グラフィックス加速モジュールのタイプは、システム固有値であってもよい。少なくとも一実施例では、ＷＤは、グラフィックス加速モジュール１４４６のために特にフォーマット化されており、グラフィックス加速モジュール１４４６のコマンド、ユーザ定義の構造を指す実効アドレス・ポインタ、コマンドのキューを指す実効アドレス・ポインタ、又はグラフィックス加速モジュール１４４６によって行われるワークを記述するための任意の他のデータ構造の形とすることができる。
【0250】
少なくとも一実施例では、ＡＭＲ値は、現在のプロセスに使用するためのＡＭＲ状態である。少なくとも一実施例では、オペレーティング・システムに渡される値は、ＡＭＲをセッティングするアプリケーションと同様である。少なくとも一実施例では、アクセラレータ統合回路１４３６（図示せず）及びグラフィックス加速モジュール１４４６の実装形態が、ユーザ権限マスク・オーバーライド・レジスタ（ＵＡＭＯＲ）をサポートしていない場合、オペレーティング・システムは、ＡＭＲ値に現在のＵＡＭＯＲ値を適用してから、ハイパーバイザ・コールにＡＭＲを渡してもよい。少なくとも一実施例では、ハイパーバイザ１４９６は、任意選択で、現在の権限マスク・オーバーライド・レジスタ（ＡＭＯＲ）値を適用してから、ＡＭＲをプロセス要素１４８３に入れてもよい。少なくとも一実施例では、ＣＳＲＰは、グラフィックス加速モジュール１４４６がコンテキスト状態を保存及び復元するためのアプリケーションの実効アドレス空間１４８２内のエリアの実効アドレスを収容するレジスタ１４４５のうちの１つである。少なくとも一実施例では、ジョブ間で、又はジョブがプリエンプションされるときに、いかなる状態も保存する必要のない場合は、このポインタは任意選択である。少なくとも一実施例では、コンテキスト保存／復元エリアは、ピン留めされたシステム・メモリであってもよい。
【0251】
システム・コールを受け取ると、オペレーティング・システム１４９５は、アプリケーション１４８０が登録済みであり、グラフィックス加速モジュール１４４６を使用する権限が与えられていることを検証してもよい。少なくとも一実施例では、次いで、オペレーティング・システム１４９５は、表３に示す情報を伴ってハイパーバイザ１４９６にコールする。
【表3】
【0252】
少なくとも一実施例では、ハイパーバイザ・コールを受け取ると、ハイパーバイザ１４９６は、オペレーティング・システム１４９５が登録済みであり、グラフィックス加速モジュール１４４６を使用する権限が与えられていることを検証する。少なくとも一実施例では、次いでハイパーバイザ１４９６は、プロセス要素１４８３を、対応するグラフィックス加速モジュール１４４６のタイプのプロセス要素リンク・リストに入れる。少なくとも一実施例では、プロセス要素は、表４に示す情報を含んでもよい。
【表4】
【0253】
少なくとも一実施例では、ハイパーバイザは、複数のアクセラレータ統合スライス１４９０のレジスタ１４４５を初期化する。
【0254】
図１４Ｆに示すように、少なくとも一実施例では、物理プロセッサ・メモリ１４０１（１）～１４０１（Ｎ）及びＧＰＵメモリ１４２０（１）～１４２０（Ｎ）にアクセスするために使用される共通の仮想メモリ・アドレス空間を介してアドレス指定可能である統合メモリが使用される。この実装形態では、ＧＰＵ１４１０（１）～１４１０（Ｎ）で実行される動作は、プロセッサ・メモリ１４０１（１）～１４０１（Ｍ）にアクセスするのと同じ仮想／実効メモリ・アドレス空間を利用し、且つその逆も同様であり、それによりプログラマビリティが簡単になる。少なくとも一実施例では、仮想／実効アドレス空間の第１の部分はプロセッサ・メモリ１４０１（１）に割り振られ、第２の部分は第２のプロセッサ・メモリ１４０１（Ｎ）に割り振られ、第３の部分はＧＰＵメモリ１４２０（１）に割り振られるというように続く。少なくとも一実施例では、仮想／実効メモリ空間全体（実効アドレス空間と呼ばれることもある）は、これによりプロセッサ・メモリ１４０１及びＧＰＵメモリ１４２０のそれぞれにわたって分配されて、仮想アドレスが物理メモリにマッピングされた状態で、いずれかのプロセッサ又はＧＰＵが、いずれかの物理メモリにアクセスできるようになる。
【0255】
少なくとも一実施例では、ＭＭＵ１４３９Ａ～１４３９Ｅのうちの１つ又は複数の中のバイアス／コヒーレンス管理回路１４９４Ａ～１４９４Ｅは、１つ又は複数のホスト・プロセッサ（たとえば、１４０５）のキャッシュとＧＰＵ１４１０のキャッシュとの間でキャッシュ・コヒーレンスを確保し、バイアス技法を実装して、ある特定のタイプのデータが記憶されるべき物理メモリを示す。少なくとも一実施例では、バイアス／コヒーレンス管理回路１４９４Ａ～１４９４Ｅの複数のインスタンスが図１４Ｆに示されるが、バイアス／コヒーレンス回路は、１つ又は複数のホスト・プロセッサ１４０５のＭＭＵ内に実装されてもよく、且つ／又はアクセラレータ統合回路１４３６内に実装されてもよい。
【0256】
一実施例は、ＧＰＵメモリ１４２０をシステム・メモリの一部としてマッピングできるようにし、共有仮想メモリ（ＳＶＭ：ｓｈａｒｅｄ ｖｉｒｔｕａｌ ｍｅｍｏｒｙ）技法を使用してアクセス可能にすることができるが、完全なシステム・キャッシュ・コヒーレンスに関連する性能の低下が生じることはない。少なくとも一実施例では、ＧＰＵメモリ１４２０が、面倒なキャッシュ・コヒーレンス・オーバーヘッドなく、システム・メモリとしてアクセス可能であることにより、ＧＰＵオフロードのための有益な動作環境が提供される。少なくとも一実施例では、この構成によって、従来のＩ／Ｏ ＤＭＡデータ・コピーのオーバーヘッドがなくても、ホスト・プロセッサ１４０５ソフトウェアがオペランドを設定し、計算結果にアクセスすることが可能になる。少なくとも一実施例では、こうした従来のコピーは、ドライバ・コール、割込み、及びメモリ・マップドＩ／Ｏ（ＭＭＩＯ）アクセスを必要とし、これらはすべて、単純なメモリ・アクセスより非効率的である。少なくとも一実施例では、キャッシュ・コヒーレンス・オーバーヘッドなしでＧＰＵメモリ１４２０にアクセスできることが、オフロードされた計算の実行時間に不可欠であり得る。少なくとも一実施例では、たとえば、かなりのストリーミング書込みメモリ・トラフィックがある場合には、キャッシュ・コヒーレンス・オーバーヘッドは、ＧＰＵ１４１０が見る有効な書込み帯域幅を大幅に低減することがある。少なくとも一実施例では、オペランド設定の効率、結果へのアクセスの効率、及びＧＰＵ計算の効率は、ＧＰＵオフロードの有効性を判定する際に役立つことがある。
【0257】
少なくとも一実施例では、ＧＰＵバイアス及びホスト・プロセッサ・バイアスの選択は、バイアス・トラッカー・データ構造によって決められる。少なくとも一実施例では、たとえばバイアス・テーブルが使用されてもよく、このテーブルは、ＧＰＵ付きメモリ・ページ当たり１ビット又は２ビットを含むページ粒度構造であってもよい（たとえば、メモリ・ページの粒度で制御されてもよい）。少なくとも一実施例では、バイアス・テーブルは、（たとえば、バイアス・テーブルの頻繁に使用された／最近使用されたエントリをキャッシュするための）バイアス・キャッシュがＧＰＵ１４１０にある状態又はない状態で、１つ又は複数のＧＰＵメモリ１４２０の奪われたメモリ範囲（ｓｔｏｌｅｎ ｍｅｍｏｒｙ ｒａｎｇｅ）において実装されてもよい。或いは、少なくとも一実施例では、バイアス・テーブル全体が、ＧＰＵ内に維持されてもよい。
【0258】
少なくとも一実施例では、ＧＰＵ付きメモリ１４２０への各アクセスに関連付けられたバイアス・テーブルのエントリが、ＧＰＵメモリへの実際のアクセスより先にアクセスされて、以下の動作を生じさせる。少なくとも一実施例では、ＧＰＵバイアス内での自らのページを見いだすＧＰＵ１４１０からのローカル要求が、対応するＧＰＵメモリ１４２０に直接転送される。少なくとも一実施例では、ホスト・バイアスにおいて自らのページを見いだすＧＰＵからのローカル要求は、（たとえば、本明細書に記載の高速リンクを介して）プロセッサ１４０５に転送される。少なくとも一実施例では、要求されたページをホスト・プロセッサ・バイアスにおいて見いだすプロセッサ１４０５からの要求は、通常のメモリ読取りと同様に要求を完了させる。或いは、ＧＰＵバイアス化ページに向けられた要求は、ＧＰＵ１４１０に転送されてもよい。少なくとも一実施例では、次いでＧＰＵは、現在ページを使用していない場合、ホスト・プロセッサ・バイアスにページを移行してもよい。少なくとも一実施例では、ページのバイアス状態は、ソフトウェア・ベースの機構、ハードウェア支援型ソフトウェア・ベースの機構のいずれかによって、又は限られた事例のセットについては、単にハードウェア・ベースの機構によって、変更することができる。
【0259】
少なくとも一実施例では、バイアス状態を変更するための１つの機構は、ＡＰＩコール（たとえば、ＯｐｅｎＣＬ）を利用し、このＡＰＩコールは、ＧＰＵのデバイス・ドライバをコールし、このデバイス・ドライバは、ＧＰＵにメッセージを送って（又はコマンド記述子をキューに加えて）、バイアス状態を変更し、一部の移行については、ホストにおいてキャッシュ・フラッシング動作を実行するよう、ＧＰＵを導く。少なくとも一実施例では、キャッシュ・フラッシング動作は、ホスト・プロセッサ１４０５のバイアスからＧＰＵバイアスへの移行のために使用されるが、反対向きの移行には使用されない。
【0260】
少なくとも一実施例では、キャッシュ・コヒーレンスは、ホスト・プロセッサ１４０５によってキャッシュできないＧＰＵバイアス化ページを一時的にレンダリングすることによって、維持される。少なくとも一実施例では、これらのページにアクセスするために、プロセッサ１４０５は、ＧＰＵ１４１０からのアクセスを要求してもよく、ＧＰＵ１４１０は、すぐにアクセスを許可してもよく、又は許可しなくてもよい。少なくとも一実施例では、したがって、プロセッサ１４０５とＧＰＵ１４１０との間の通信を低減するために、ＧＰＵバイアス化ページが、ＧＰＵによって要求されるが、ホスト・プロセッサ１４０５によっては要求されないようにすること、又はその逆にすることが有益である。
【0261】
【0262】
図１５は、本明細書に記載の様々な実施例による、１つ又は複数のＩＰコアを使用して作製することができる例示的な集積回路及び関連グラフィックス・プロセッサを示す。図示してあるものに加えて、少なくとも一実施例では、追加のグラフィックス・プロセッサ／コア、周辺装置インターフェース・コントローラ、若しくは汎用プロセッサ・コアを含む他の論理及び回路が含まれてもよい。
【0263】
図１５は、少なくとも一実施例による１つ又は複数のＩＰコアを使用して作製することができる例示的なシステム・オン・チップ集積回路１５００を示すブロック図である。少なくとも一実施例では、集積回路１５００は、１つ又は複数のアプリケーション・プロセッサ１５０５（たとえば、ＣＰＵ）、少なくとも１つのグラフィックス・プロセッサ１５１０を含み、さらに、画像プロセッサ１５１５及び／又はビデオ・プロセッサ１５２０を含んでもよく、これらのいずれもが、モジュール式ＩＰコアであってもよい。少なくとも一実施例では、集積回路１５００は、ＵＳＢコントローラ１５２５、ＵＡＲＴコントローラ１５３０、ＳＰＩ／ＳＤＩＯコントローラ１５３５、及びＩ２２Ｓ／Ｉ２２Ｃコントローラ１５４０を含む周辺装置又はバス論理を含む。少なくとも一実施例では、集積回路１５００は、ハイ・デフィニション・マルチメディア・インターフェース（ＨＤＭＩ（登録商標）：ｈｉｇｈ－ｄｅｆｉｎｉｔｉｏｎ ｍｕｌｔｉｍｅｄｉａ ｉｎｔｅｒｆａｃｅ（登録商標））コントローラ１５５０及びモバイル・インダストリ・プロセッサ・インターフェース（ＭＩＰＩ）ディスプレイ・インターフェース１５５５のうちの１つ又は複数に結合されるディスプレイ・デバイス１５４５を含むことができる。少なくとも一実施例では、フラッシュ・メモリ及びフラッシュ・メモリ・コントローラを含むフラッシュ・メモリ・サブシステム１５６０によって、ストレージが提供されてもよい。少なくとも一実施例では、ＳＤＲＡＭ又はＳＲＡＭメモリ・デバイスにアクセスするために、メモリ・コントローラ１５６５を介してメモリ・インターフェースが提供されてもよい。少なくとも一実施例では、いくつかの集積回路はさらに、組み込みセキュリティ・エンジン１５７０を含む。
【0264】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５は、本明細書に記載のニューラル・ネットワークの訓練動作、ニューラル・ネットワークの機能及び／若しくはアーキテクチャ、又はニューラル・ネットワークのユース・ケースを使用して計算された重みパラメータに少なくとも部分的に基づき、推論又は予測の動作のために集積回路１５００において使用されてもよい。
【0265】
少なくとも一実施例では、図１５に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図１５に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図１５に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0266】
図１６Ａ～図１６Ｂは、本明細書に記載の様々実施例による、１つ又は複数のＩＰコアを使用して作製することができる例示的な集積回路及び関連グラフィックス・プロセッサを示す。図示してあるものに加えて、少なくとも一実施例では、追加のグラフィックス・プロセッサ／コア、周辺装置インターフェース・コントローラ、若しくは汎用プロセッサ・コアを含む他の論理及び回路が含まれてもよい。
【0267】
図１６Ａ～図１６Ｂは、本明細書に記載の実施例による、ＳｏＣ内で使用するための例示的なグラフィックス・プロセッサを示すブロック図である。図１６Ａは、少なくとも一実施例による、１つ又は複数のＩＰコアを使用して作製することができるシステム・オン・チップ集積回路の例示的なグラフィックス・プロセッサ１６１０を示す。図１６Ｂは、少なくとも一実施例による、１つ又は複数のＩＰコアを使用して作製することができるシステム・オン・チップ集積回路のさらなる例示的なグラフィックス・プロセッサ１６４０を示す。少なくとも一実施例では、図１６Ａのグラフィックス・プロセッサ１６１０は、低電力グラフィックス・プロセッサ・コアである。少なくとも一実施例では、図１６Ｂのグラフィックス・プロセッサ１６４０は、高性能グラフィックス・プロセッサ・コアである。少なくとも一実施例では、グラフィックス・プロセッサ１６１０、１６４０のそれぞれは、図１５のグラフィックス・プロセッサ１５１０の変形形態とすることができる。
【0268】
少なくとも一実施例では、グラフィックス・プロセッサ１６１０は、頂点プロセッサ１６０５と、１つ又は複数のフラグメント・プロセッサ１６１５Ａ～１６１５Ｎ（たとえば、１６１５Ａ、１６１５Ｂ、１６１５Ｃ、１６１５Ｄ～１６１５Ｎ－１、及び１６１５Ｎ）とを含む。少なくとも一実施例では、グラフィックス・プロセッサ１６１０は、別個の論理を介して異なるシェーダ・プログラムを実行することができ、それにより、頂点プロセッサ１６０５は、頂点シェーダ・プログラムのための動作を実行するように最適化され、一方、１つ又は複数のフラグメント・プロセッサ１６１５Ａ～１６１５Ｎは、フラグメント又はピクセルのシェーダ・プログラムのためのフラグメント（たとえば、ピクセル）シェーディング動作を実行する。少なくとも一実施例では、頂点プロセッサ１６０５は、３Ｄグラフィックス・パイプラインの頂点処理ステージを実行し、プリミティブ及び頂点データを生成する。少なくとも一実施例では、フラグメント・プロセッサ１６１５Ａ～１６１５Ｎは、頂点プロセッサ１６０５によって生成されたプリミティブ及び頂点データを使用して、ディスプレイ・デバイスに表示されるフレームバッファを生成する。少なくとも一実施例では、フラグメント・プロセッサ１６１５Ａ～１６１５Ｎは、ＯｐｅｎＧＬのＡＰＩにおいて提供されるフラグメント・シェーダ・プログラムを実行するように最適化され、ＯｐｅｎＧＬのＡＰＩは、Ｄｉｒｅｃｔ ３Ｄ ＡＰＩにおいて提供されるピクセル・シェーダ・プログラムと同様の動作を実行するために使用されてもよい。
【0269】
少なくとも一実施例では、グラフィックス・プロセッサ１６１０はさらに、１つ又は複数のメモリ管理ユニット（ＭＭＵ）１６２０Ａ～１６２０Ｂ、キャッシュ１６２５Ａ～１６２５Ｂ、及び回路相互接続１６３０Ａ～１６３０Ｂを含む。少なくとも一実施例では、１つ又は複数のＭＭＵ１６２０Ａ～１６２０Ｂは、頂点プロセッサ１６０５及び／又はフラグメント・プロセッサ１６１５Ａ～１６１５Ｎを含め、グラフィックス・プロセッサ１６１０のための仮想から物理のアドレス・マッピングを提供し、それらは、１つ又は複数のキャッシュ１６２５Ａ～１６２５Ｂに記憶された頂点又は画像／テクスチャのデータに加えて、メモリに記憶された頂点又は画像／テキストのデータを参照してもよい。少なくとも一実施例では、１つ又は複数のＭＭＵ１６２０Ａ～１６２０Ｂは、図１５の１つ若しくは複数のアプリケーション・プロセッサ１５０５、画像プロセッサ１５１５、及び／又はビデオ・プロセッサ１５２０に関連付けられた１つ若しくは複数のＭＭＵを含む、システム内の他のＭＭＵと同期されてもよく、それにより各プロセッサ１５０５～１５２０は、共有の又は統合された仮想メモリ・システムに参加することができる。少なくとも一実施例では、１つ又は複数の回路相互接続１６３０Ａ～１６３０Ｂは、グラフィックス・プロセッサ１６１０が、ＳｏＣの内部バス、又は直接接続のいずれかを介して、ＳｏＣ内の他のＩＰコアとインターフェースをとることができるようにする。
【0270】
少なくとも一実施例では、図１６Ｂに示すように、グラフィックス・プロセッサ１６４０は、１つ又は複数のシェーダ・コア１６５５Ａ～１６５５Ｎ（たとえば、１６５５Ａ、１６５５Ｂ、１６５５Ｃ、１６５５Ｄ、１６５５Ｅ、１６５５Ｆ～１６５５Ｎ－１、及び１６５５Ｎ）を含み、このシェーダ・コアは、単一のコア、又はタイプ、又はコアが、頂点シェーダ、フラグメント・シェーダ、及び／又はコンピュート・シェーダを実装するためのシェーダ・プログラム・コードを含むすべてのタイプのプログラム可能なシェーダ・コードを実行することができる統合されたシェーダ・コア・アーキテクチャを提供する。少なくとも一実施例では、シェーダ・コアの数は変えることができる。少なくとも一実施例では、グラフィックス・プロセッサ１６４０は、１つ又は複数のシェーダ・コア１６５５Ａ～１６５５Ｎに実行スレッドをディスパッチするためのスレッド・ディスパッチャとして作用するコア間タスク・マネージャ１６４５と、たとえばシーン内のローカル空間コヒーレンスを利用するため、又は内部キャッシュの使用を最適化するために、シーンのレンダリング動作が画像空間において細分化される、タイル・ベースのレンダリングのためのタイリング動作を加速するためのタイリング・ユニット１６５８とを含む。
【0271】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５は、本明細書に記載のニューラル・ネットワークの訓練動作、ニューラル・ネットワークの機能及び／若しくはアーキテクチャ、又はニューラル・ネットワークのユース・ケースを使用して計算された重みパラメータに少なくとも部分的に基づき、推論又は予測の動作のために集積回路１６Ａ及び／又は１６Ｂにおいて使用されてもよい。
【0272】
少なくとも一実施例では、図１６に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図１６に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図１６に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0273】
図１７Ａ～図１７Ｂは、本明細書に記載の実施例による、さらなる例示的なグラフィックス・プロセッサ論理を示す。図１７Ａは、グラフィックス・コア１７００を示し、このグラフィックス・コア１７００は、少なくとも一実施例では図１５のグラフィックス・プロセッサ１５１０に含められてもよく、少なくとも一実施例では図１６Ｂのように、統合されたシェーダ・コア１６５５Ａ～１６５５Ｎであってもよい。図１７Ｂは、少なくとも一実施例におけるマルチ・チップ・モジュールに導入するのに適した高並列の汎用グラフィックス・プロセッシング・ユニット（「ＧＰＧＰＵ」：ｇｅｎｅｒａｌ－ｐｕｒｐｏｓｅ ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）１７３０を示す。
【0274】
少なくとも一実施例では、グラフィックス・コア１７００は、共有命令キャッシュ１７０２、テクスチャ・ユニット１７１８、及びキャッシュ／共有メモリ１７２０を含み、これらは、グラフィックス・コア１７００内の実行リソースに共通である。少なくとも一実施例では、グラフィックス・コア１７００は、複数のスライス１７０１Ａ～１７０１Ｎ、又はコアごとのパーティションを含むことができ、グラフィックス・プロセッサは、グラフィックス・コア１７００の複数のインスタンスを含むことができる。少なくとも一実施例では、スライス１７０１Ａ～１７０１Ｎは、ローカル命令キャッシュ１７０４Ａ～１７０４Ｎ、スレッド・スケジューラ１７０６Ａ～１７０６Ｎ、スレッド・ディスパッチャ１７０８Ａ～１７０８Ｎ、及びレジスタのセット１７１０Ａ～１７１０Ｎを含むサポート論理を含むことができる。少なくとも一実施例では、スライス１７０１Ａ～１７０１Ｎは、追加機能ユニット（ＡＦＵ１７１２Ａ～１７１２Ｎ）、浮動小数点ユニット（ＦＰＵ１７１４Ａ～１７１４Ｎ）、整数算術論理演算ユニット（ＡＬＵ１７１６～１７１６Ｎ）、アドレス計算ユニット（ＡＣＵ１７１３Ａ～１７１３Ｎ）、倍精度浮動小数点ユニット（ＤＰＦＰＵ１７１５Ａ～１７１５Ｎ）、及び行列処理ユニット（ＭＰＵ１７１７Ａ～１７１７Ｎ）のセットを含むことができる。
【0275】
少なくとも一実施例では、ＦＰＵ１７１４Ａ～１７１４Ｎは、単精度（３２ビット）及び半精度（１６ビット）の浮動小数点演算を実行することができ、ＤＰＦＰＵ１７１５Ａ～１７１５Ｎは、倍精度（６４ビット）の浮動小数点演算を実行する。少なくとも一実施例では、ＡＬＵ１７１６Ａ～１７１６Ｎは、８ビット、１６ビット、及び３２ビットの精度で可変精度の整数演算を実行することができ、混合精度の演算ができるように構成されることが可能である。少なくとも一実施例では、ＭＰＵ１７１７Ａ～１７１７Ｎも、半精度浮動小数点及び８ビット整数演算を含む混合精度の行列演算ができるように構成されることが可能である。少なくとも一実施例では、ＭＰＵ１７１７～１７１７Ｎは、汎用行列－行列乗算（ＧＥＭＭ）の加速をサポートできるようにすることを含め、機械学習アプリケーション・フレームワークを加速するための様々な行列演算を実行することができる。少なくとも一実施例では、ＡＦＵ１７１２Ａ～１７１２Ｎは、三角関数演算（たとえば、サイン、コサインなど）を含む、浮動小数点ユニット又は整数ユニットにサポートされていない追加の論理演算を実行することができる。
【0276】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５は、本明細書に記載のニューラル・ネットワークの訓練動作、ニューラル・ネットワークの機能及び／若しくはアーキテクチャ、又はニューラル・ネットワークのユース・ケースを使用して計算された重みパラメータに少なくとも部分的に基づき、推論又は予測の動作のためにグラフィックス・コア１７００において使用されてもよい。
【0277】
少なくとも一実施例では、図１７Ａに描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図１７Ａに描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図１７Ａに描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0278】
図１７Ｂは、汎用処理ユニット（ＧＰＧＰＵ）１７３０を示し、この処理ユニット１７３０は、少なくとも一実施例において、グラフィックス・プロセッシング・ユニットのアレイによる高並列の計算動作を実行可能にするように構成されることが可能である。少なくとも一実施例では、ＧＰＧＰＵ１７３０は、ＧＰＧＰＵ１７３０の他のインスタンスに直接リンクされて、ディープ・ニューラル・ネットワークの訓練スピードを向上させるために複数ＧＰＵクラスタを生成することができる。少なくとも一実施例では、ＧＰＧＰＵ１７３０は、ホスト・プロセッサとの接続を可能にするためのホスト・インターフェース１７３２を含む。少なくとも一実施例では、ホスト・インターフェース１７３２は、ＰＣＩエクスプレス・インターフェースである。少なくとも一実施例では、ホスト・インターフェース１７３２は、ベンダー固有の通信インターフェース又は通信ファブリックとすることができる。少なくとも一実施例では、ＧＰＧＰＵ１７３０は、ホスト・プロセッサからコマンドを受け取り、グローバル・スケジューラ１７３４を使用して、これらのコマンドに関連付けられた実行スレッドを、コンピュート・クラスタ１７３６Ａ～１７３６Ｈのセットに分配する。少なくとも一実施例では、コンピュート・クラスタ１７３６Ａ～１７３６Ｈは、キャッシュ・メモリ１７３８を共有する。少なくとも一実施例では、キャッシュ・メモリ１７３８は、コンピュート・クラスタ１７３６Ａ～１７３６Ｈ内のキャッシュ・メモリ用の高レベル・キャッシュとして作用することができる。
【0279】
少なくとも一実施例では、ＧＰＧＰＵ１７３０は、メモリ・コントローラ１７４２Ａ～１７４２Ｂのセットを介して、コンピュート・クラスタ１７３６Ａ～１７３６Ｈに結合されたメモリ１７４４Ａ～１７４４Ｂを含む。少なくとも一実施例では、メモリ１７４４Ａ～１７４４Ｂは、グラフィックス・ダブル・データ・レート（ＧＤＤＲ：ｇｒａｐｈｉｃｓ ｄｏｕｂｌｅ ｄａｔａ ｒａｔｅ）メモリを含む同期グラフィックス・ランダム・アクセス・メモリ（ＳＧＲＡＭ）など、ダイナミック・ランダム・アクセス・メモリ（ＤＲＡＭ）又はグラフィックス・ランダム・アクセス・メモリを含む、様々なタイプのメモリ・デバイスを含むことができる。
【0280】
少なくとも一実施例では、コンピュート・クラスタ１７３６Ａ～１７３６Ｈはそれぞれ、図１７Ａのグラフィックス・コア１７００などのグラフィックス・コアのセットを含み、このグラフィックス・コアのセットは、機械学習計算に適したものを含め、様々な精度で計算動作を実行することができる複数のタイプの整数及び浮動小数点の論理ユニットを含むことができる。たとえば、少なくとも一実施例では、コンピュート・クラスタ１７３６Ａ～１７３６Ｈのそれぞれにおける浮動小数点ユニットの少なくともサブセットは、１６ビット又は３２ビットの浮動小数点演算を実行するように構成されることが可能であり、一方、浮動小数点ユニットの別のサブセットは、６４ビットの浮動小数点演算を実行するように構成されることが可能である。
【0281】
少なくとも一実施例では、ＧＰＧＰＵ１７３０の複数のインスタンスは、コンピュート・クラスタとして動作するように構成されることが可能である。少なくとも一実施例では、コンピュート・クラスタ１７３６Ａ～１７３６Ｈにより同期及びデータ交換のために使用される通信は、実施例にわたって異なる。少なくとも一実施例では、ＧＰＧＰＵ１７３０の複数のインスタンスは、ホスト・インターフェース１７３２を介して通信する。少なくとも一実施例では、ＧＰＧＰＵ１７３０は、Ｉ／Ｏハブ１７３９を含み、このハブ１７３９は、ＧＰＧＰＵ１７３０の他のインスタンスへの直接接続を可能にするＧＰＵリンク１７４０に、ＧＰＧＰＵ１７３０を結合する。少なくとも一実施例では、ＧＰＵリンク１７４０は、ＧＰＧＰＵ１７３０の複数のインスタンス間での通信及び同期を可能にするＧＰＵからＧＰＵへの専用のブリッジに結合される。少なくとも一実施例では、ＧＰＵリンク１７４０は、他のＧＰＧＰＵ又は並列プロセッサにデータを送受信するための高速相互接続に結合される。少なくとも一実施例では、ＧＰＧＰＵ１７３０の複数のインスタンスは、別々のデータ処理システムに位置付けられ、ホスト・インターフェース１７３２を介してアクセス可能なネットワーク・デバイスを介して通信する。少なくとも一実施例では、ＧＰＵリンク１７４０は、ホスト・インターフェース１７３２に加えて、又はその代わりに、ホスト・プロセッサへの接続を可能にするように構成することができる。
【0282】
少なくとも一実施例では、ＧＰＧＰＵ１７３０は、ニューラル・ネットワークを訓練するように構成されることが可能である。少なくとも一実施例では、ＧＰＧＰＵ１７３０は、推論プラットフォーム内で使用することができる。ＧＰＧＰＵ１７３０が推論のために使用される少なくとも一実施例では、ＧＰＧＰＵ１７３０は、ＧＰＧＰＵ１７３０がニューラル・ネットワークの訓練に使用されるときよりも少数のコンピュート・クラスタ１７３６Ａ～１７３６Ｈを含んでもよい。少なくとも一実施例では、メモリ１７４４Ａ～１７４４Ｂに関連するメモリ技術は、推論の構成と訓練の構成とで異なってもよく、高帯域幅のメモリ技術が、訓練構成に当てられる。少なくとも一実施例では、ＧＰＧＰＵ１７３０の推論構成は、推論固有の命令をサポートすることができる。たとえば、少なくとも一実施例では、推論構成は、１つ又は複数の８ビットの整数のドット積命令をサポートすることができ、これは、導入済みニューラル・ネットワークの推論動作中に使用されてもよい。
【0283】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５は、本明細書に記載のニューラル・ネットワークの訓練動作、ニューラル・ネットワークの機能及び／若しくはアーキテクチャ、又はニューラル・ネットワークのユース・ケースを使用して計算された重みパラメータに少なくとも部分的に基づき、推論又は予測の動作のためにＧＰＧＰＵ１７３０において使用されてもよい。
【0284】
少なくとも一実施例では、図１７Ｂに描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図１７Ｂに描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図１７Ｂに描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0285】
図１８は、少なくとも一実施例によるコンピューティング・システム１８００を示すブロック図である。少なくとも一実施例では、コンピューティング・システム１８００は、メモリ・ハブ１８０５を含んでもよい相互接続経路を介して通信する１つ又は複数のプロセッサ１８０２とシステム・メモリ１８０４とを有する処理サブシステム１８０１を含む。少なくとも一実施例では、メモリ・ハブ１８０５は、チップセット構成要素内の別個の構成要素であってもよく、又は１つ若しくは複数のプロセッサ１８０２内に一体化されていてもよい。少なくとも一実施例では、メモリ・ハブ１８０５は、通信リンク１８０６を介してＩ／Ｏサブシステム１８１１に結合される。少なくとも一実施例では、Ｉ／Ｏサブシステム１８１１は、コンピューティング・システム１８００が１つ又は複数の入力デバイス１８０８からの入力を受け取れるようにすることができるＩ／Ｏハブ１８０７を含む。少なくとも一実施例では、Ｉ／Ｏハブ１８０７は、ディスプレイ・コントローラを有効にすることができ、このディスプレイ・コントローラは、１つ又は複数のプロセッサ１８０２に含まれて、１つ又は複数のディスプレイ・デバイス１８１０Ａに出力を提供してもよい。少なくとも一実施例では、Ｉ／Ｏハブ１８０７に結合された１つ又は複数のディスプレイ・デバイス１８１０Ａは、ローカルの、内部の、又は組み込まれたディスプレイ・デバイスを含むことができる。
【0286】
少なくとも一実施例では、処理サブシステム１８０１は、バス又は他の通信リンク１８１３を介してメモリ・ハブ１８０５に結合された１つ又は複数の並列プロセッサ１８１２を含む。少なくとも一実施例では、通信リンク１８１３は、ＰＣＩエクスプレスなどであるがこれに限定されない任意の数の規格に基づく通信リンク技術若しくはプロトコルのうちの１つを使用することができ、又はベンダー固有の通信インターフェース若しくは通信ファブリックであってもよい。少なくとも一実施例では、１つ又は複数の並列プロセッサ１８１２は、メニー・インテグレーテッド・コア（ＭＩＣ：ｍａｎｙ ｉｎｔｅｇｒａｔｅｄ ｃｏｒｅ）プロセッサなど、多数の処理コア及び／又は処理クラスタを含むことのできる、計算に集中した並列又はベクトルの処理システムを形成する。少なくとも一実施例では、いくつか又はすべての並列プロセッサ１８１２は、グラフィックス処理サブシステムを形成し、このサブシステムは、Ｉ／Ｏハブ１８０７を介して結合された１つ又は複数のディスプレイ・デバイス１８１０Ａのうちの１つに、ピクセルを出力することができる。少なくとも一実施例では、並列プロセッサ１８１２はまた、１つ又は複数のディスプレイ・デバイス１８１０Ｂへの直接接続を可能にするディスプレイ・コントローラ及びディスプレイ・インターフェース（図示せず）を含むことができる。
【0287】
少なくとも一実施例では、システム・ストレージ・ユニット１８１４は、Ｉ／Ｏハブ１８０７に接続されて、コンピューティング・システム１８００のためのストレージ機構を提供することができる。少なくとも一実施例では、Ｉ／Ｏスイッチ１８１６を使用して、Ｉ／Ｏハブ１８０７と、プラットフォームに一体化されてもよいネットワーク・アダプタ１８１８及び／又はワイヤレス・ネットワーク・アダプタ１８１９などの他の構成要素、並びに１つ又は複数のアドイン・デバイス１８２０を介して加えることができる様々な他のデバイスとの間の接続を可能にするためのインターフェース機構を提供することができる。少なくとも一実施例では、ネットワーク・アダプタ１８１８は、イーサネット（登録商標）・アダプタ、又は別の有線ネットワーク・アダプタとすることができる。少なくとも一実施例では、ワイヤレス・ネットワーク・アダプタ１８１９は、Ｗｉ－Ｆｉ、Ｂｌｕｅｔｏｏｔｈ、近距離無線通信（ＮＦＣ）、又は１つ若しくは複数のワイヤレス無線を含む他のネットワーク・デバイスのうちの１つ又は複数を含むことができる。
【0288】
少なくとも一実施例では、コンピューティング・システム１８００は、ＵＳＢ又は他のポート接続、光学ストレージ・ドライブ、ビデオ捕捉デバイスなどを含む明示されていない他の構成要素を含むことができ、これらもＩ／Ｏハブ１８０７に接続されてもよい。少なくとも一実施例では、図１８の様々な構成要素を相互接続する通信経路が、ＰＣＩ（ペリフェラル・コンポーネント・インターコネクト）ベースのプロトコル（たとえば、ＰＣＩ－エクスプレス）などの任意の好適なプロトコル、又はＮＶ－Ｌｉｎｋ高速相互接続などの他のバス若しくはポイントツーポイント通信インターフェース及び／若しくはプロトコル、又は他の相互接続プロトコルを使用して、実装されてもよい。
【0289】
少なくとも一実施例では、並列プロセッサ１８１２は、たとえばビデオ出力回路を含むグラフィックス及びビデオの処理に最適化された回路を組み込んでおり、グラフィックス・プロセッシング・ユニット（ＧＰＵ）を構成する。少なくとも一実施例では、並列プロセッサ１８１２は、汎用処理に最適化された回路を組み込んでいる。少なくとも実施例では、コンピューティング・システム１８００の構成要素は、単一の集積回路上の１つ又は複数の他のシステム要素と一体化されてもよい。たとえば、少なくとも一実施例では、並列プロセッサ１８１２、メモリ・ハブ１８０５、プロセッサ１８０２、及びＩ／Ｏハブ１８０７を、システム・オン・チップ（ＳｏＣ）集積回路に一体化することができる。少なくとも一実施例では、コンピューティング・システム１８００の構成要素は、単一のパッケージに一体化されて、システム・イン・パッケージ（ＳＩＰ：ｓｙｓｔｅｍ ｉｎ ｐａｃｋａｇｅ）構成を形成することができる。少なくとも一実施例では、コンピューティング・システム１８００の構成要素の少なくとも一部分を、マルチ・チップ・モジュール（ＭＣＭ：ｍｕｌｔｉ－ｃｈｉｐ ｍｏｄｕｌｅ）に一体化することができ、このモジュールを、他のマルチ・チップ・モジュールと相互接続して、モジュール式コンピューティング・システムにすることができる。
【0290】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５は、本明細書に記載のニューラル・ネットワークの訓練動作、ニューラル・ネットワークの機能及び／若しくはアーキテクチャ、又はニューラル・ネットワークのユース・ケースを使用して計算された重みパラメータに少なくとも部分的に基づき、推論又は予測の動作のために図１８００のシステムにおいて使用されてもよい。
【0291】
少なくとも一実施例では、図１８に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図１８に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図１８に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0292】
プロセッサ
図１９Ａは、少なくとも一実施例による並列プロセッサ１９００を示す。少なくとも一実施例では、並列プロセッサ１９００の様々な構成要素は、プログラム可能なプロセッサ、特定用途向け集積回路（ＡＳＩＣ）、又はフィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）などの１つ又は複数の集積回路デバイスを使用して実装されてもよい。少なくとも一実施例では、図示してある並列プロセッサ１９００は、例示的な実施例による図１８に示す１つ又は複数の並列プロセッサ１８１２の変形形態である。
図１９Ａは、少なくとも一実施例による並列プロセッサ１９００を示す。少なくとも一実施例では、並列プロセッサ１９００の様々な構成要素は、プログラム可能なプロセッサ、特定用途向け集積回路（ＡＳＩＣ）、又はフィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）などの１つ又は複数の集積回路デバイスを使用して実装されてもよい。少なくとも一実施例では、図示してある並列プロセッサ１９００は、例示的な実施例による図１８に示す１つ又は複数の並列プロセッサ１８１２の変形形態である。
【0293】
少なくとも一実施例では、並列プロセッサ１９００は並列処理ユニット１９０２を含む。少なくとも一実施例では、並列処理ユニット１９０２は、並列処理ユニット１９０２の他のインスタンスを含む他のデバイスとの通信を可能にするＩ／Ｏユニット１９０４を含む。少なくとも一実施例では、Ｉ／Ｏユニット１９０４は、他のデバイスに直接接続されてもよい。少なくとも一実施例では、Ｉ／Ｏユニット１９０４は、メモリ・ハブ１９０５などのハブ又はスイッチ・インターフェースの使用を介して、他のデバイスと接続される。少なくとも一実施例では、メモリ・ハブ１９０５とＩ／Ｏユニット１９０４との間の接続は、通信リンク１９１３を形成する。少なくとも一実施例では、Ｉ／Ｏユニット１９０４は、ホスト・インターフェース１９０６及びメモリ・クロスバー１９１６に接続され、ここでホスト・インターフェース１９０６は、処理動作の実行を対象とするコマンドを受け取り、メモリ・クロスバー１９１６は、メモリ動作の実行を対象とするコマンドを受け取る。
【0294】
少なくとも一実施例では、ホスト・インターフェース１９０６が、Ｉ／Ｏユニット１９０４を介してコマンド・バッファを受け取るとき、ホスト・インターフェース１９０６は、これらのコマンドを実行するためのワーク動作をフロント・エンド１９０８に向けることができる。少なくとも一実施例では、フロント・エンド１９０８はスケジューラ１９１０に結合され、このスケジューラ１９１０は、コマンド又は他のワーク・アイテムを処理クラスタ・アレイ１９１２に分配するように構成される。少なくとも一実施例では、スケジューラ１９１０は、処理クラスタ・アレイ１９１２のクラスタにタスクが分配される前に、処理クラスタ・アレイ１９１２が適切に構成され、有効な状態にあることを確実にする。少なくとも一実施例では、スケジューラ１９１０は、マイクロコントローラで実行しているファームウェア論理を介して実装される。少なくとも一実施例では、マイクロコントローラ実装スケジューラ１９１０は、複雑なスケジューリング及びワーク分配動作を、粗い粒度と細かい粒度とで実行するように構成可能であり、処理アレイ１９１２で実行しているスレッドの迅速なプリエンプション及びコンテキストのスイッチングを可能にする。少なくとも一実施例では、ホスト・ソフトウェアは、処理クラスタ・アレイ１９１２でのスケジューリングのワークロードを、複数のグラフィックス処理の経路のうちの１つを介して証明することができる。少なくとも一実施例では、次いで、スケジューラ１９１０を含むマイクロコントローラ内のスケジューラ１９１０論理によって、ワークロードを自動的に処理クラスタ・アレイ１９１２全体に分配することができる。
【0295】
少なくとも一実施例では、処理クラスタ・アレイ１９１２は、最大「Ｎ個」の処理クラスタ（たとえば、クラスタ１９１４Ａ、クラスタ１９１４Ｂ～クラスタ１９１４Ｎ）を含むことができ、ここで「Ｎ」は、正の整数を表す（他の図で使用されるものとは異なる整数「Ｎ」であってもよい）。少なくとも一実施例では、処理クラスタ・アレイ１９１２の各クラスタ１９１４Ａ～１９１４Ｎは、大量の同時スレッドを実行することができる。少なくとも一実施例では、スケジューラ１９１０は、様々なスケジューリング及び／又はワーク分配のアルゴリズムを使用して、処理クラスタ・アレイ１９１２のクラスタ１９１４Ａ～１９１４Ｎにワークを配分することができ、これらのアルゴリズムは、プログラム又は計算のタイプごとに生じるワークロードに応じて、異なってもよい。少なくとも一実施例では、スケジューリングは、スケジューラ１９１０によって動的に対処されてもよく、又は処理クラスタ・アレイ１９１２によって実行されるように構成されたプログラム論理のコンパイル中に、コンパイラ論理によって部分的に支援されてもよい。少なくとも一実施例では、処理クラスタ・アレイ１９１２の異なるクラスタ１９１４Ａ～１９１４Ｎは、異なるタイプのプログラムを処理するように、又は異なるタイプの計算を実行するように配分されることが可能である。
【0296】
少なくとも一実施例では、処理クラスタ・アレイ１９１２は、様々なタイプの並列処理動作を実行するように構成されることが可能である。少なくとも一実施例では、処理クラスタ・アレイ１９１２は、汎用の並列コンピュート動作を実行するように構成される。たとえば、少なくとも一実施例では、処理クラスタ・アレイ１９１２は、ビデオ及び／又はオーディオ・データのフィルタリング、物理動作を含むモデリング動作の実行、並びにデータ変換の実行を含む処理タスクを実行するための論理を含むことができる。
【0297】
少なくとも一実施例では、処理クラスタ・アレイ１９１２は、並列グラフィックス処理動作を実行するように構成される。少なくとも一実施例では、処理クラスタ・アレイ１９１２は、テクスチャ動作を実行するためのテクスチャ・サンプリング論理、並びにモザイク論理、及び他の頂点処理論理を含むがこれらに限定されないこうしたグラフィックス処理動作の実行をサポートするための追加の論理を含むことができる。少なくとも一実施例では、処理クラスタ・アレイ１９１２は、頂点シェーダ、モザイク・シェーダ、ジオメトリ・シェーダ、及びピクセル・シェーダなどであるが、これらに限定されないグラフィックス処理関連のシェーダ・プログラムを実行するように構成されることが可能である。少なくとも一実施例では、並列処理ユニット１９０２は、処理できるようにデータをシステム・メモリからＩ／Ｏユニット１９０４を介して転送することができる。少なくとも一実施例では、処理中、転送されたデータを、処理中にオン・チップ・メモリ（たとえば、並列プロセッサ・メモリ１９２２）に記憶し、次いでシステム・メモリに書き戻すことができる。
【0298】
少なくとも一実施例では、並列処理ユニット１９０２を使用してグラフィックス処理が実行される場合には、処理クラスタ・アレイ１９１２の複数のクラスタ１９１４Ａ～１９１４Ｎにグラフィックス処理動作をよりうまく分配できるようにするため、処理ワークロードをおおよそ等しい大きさのタスクに分割するようにスケジューラ１９１０を構成することができる。少なくとも一実施例では、処理クラスタ・アレイ１９１２の一部分は、異なるタイプの処理を実行するように構成されることが可能である。たとえば、少なくとも一実施例では、レンダリング画像を生成して表示するために、第１の部分は、頂点シェーディング及びトポロジ生成を実行するように構成されてもよく、第２の部分は、モザイク及びジオメトリのシェーディングを実行するように構成されてもよく、第３の部分は、ピクセル・シェーディング又は他の画面空間動作を実行するように構成されてもよい。少なくとも一実施例では、クラスタ１９１４Ａ～１９１４Ｎのうちの１つ又は複数によって生成される中間データをバッファに記憶して、さらなる処理ができるようにクラスタ１９１４Ａ～１９１４Ｎの間で中間データを送信できるようにしてもよい。
【0299】
少なくとも一実施例では、処理クラスタ・アレイ１９１２は、実行される処理タスクをスケジューラ１９１０を介して受け取ることができ、スケジューラ１９１０は、処理タスクを定義するコマンドをフロント・エンド１９０８から受け取る。少なくとも一実施例では、処理タスクは、処理されるデータのインデックス、たとえば、表面（パッチ）データ、プリミティブ・データ、頂点データ、及び／又はピクセル・データ、並びに状態パラメータ、及びデータをどのように処理すべきかを定義するコマンド（たとえば、どのプログラムを実行すべきか）を含むことができる。少なくとも一実施例では、スケジューラ１９１０は、タスクに対応するインデックスをフェッチするように構成されてもよく、又はフロント・エンド１９０８からインデックスを受け取ってもよい。少なくとも一実施例では、フロント・エンド１９０８は、入ってくるコマンド・バッファ（たとえば、バッチ・バッファ、プッシュ・バッファなど）によって指定されるワークロードが開始される前に、処理クラスタ・アレイ１９１２が有効な状態に構成されていることを保証するように構成されることが可能である。
【0300】
少なくとも一実施例では、並列処理ユニット１９０２の１つ又は複数のインスタンスのそれぞれは、並列プロセッサ・メモリ１９２２と結合することができる。少なくとも一実施例では、並列プロセッサ・メモリ１９２２には、メモリ・クロスバー１９１６を介してアクセスすることができ、メモリ・クロスバー１９１６は、処理クラスタ・アレイ１９１２並びにＩ／Ｏユニット１９０４からメモリ要求を受け取ることができる。少なくとも一実施例では、メモリ・クロスバー１９１６は、メモリ・インターフェース１９１８を介して並列プロセッサ・メモリ１９２２にアクセスすることができる。少なくとも一実施例では、メモリ・インターフェース１９１８は、複数のパーティション・ユニット（たとえば、パーティション・ユニット１９２０Ａ、パーティション・ユニット１９２０Ｂ～パーティション・ユニット１９２０Ｎ）を含むことができ、これらのユニットはそれぞれ、並列プロセッサ・メモリ１９２２の一部分（たとえば、メモリ・ユニット）に結合することができる。少なくとも一実施例では、パーティション・ユニット１９２０Ａ～１９２０Ｎの数は、メモリ・ユニットの数と等しくなるように構成され、それにより、第１のパーティション・ユニット１９２０Ａは、対応する第１のメモリ・ユニット１９２４Ａを有し、第２のパーティション・ユニット１９２０Ｂは、対応するメモリ・ユニット１９２４Ｂを有し、Ｎ番目のパーティション・ユニット１９２０Ｎは、対応するＮ番目のメモリ・ユニット１９２４Ｎを有する。少なくとも一実施例では、パーティション・ユニット１９２０Ａ～１９２０Ｎの数は、メモリ・ユニットの数に等しくなくてもよい。
【0301】
少なくとも一実施例では、メモリ・ユニット１９２４Ａ～１９２４Ｎは、グラフィックス・ダブル・データ・レート（ＧＤＤＲ）メモリを含む同期グラフィックス・ランダム・アクセス・メモリ（ＳＧＲＡＭ）など、ダイナミック・ランダム・アクセス・メモリ（ＤＲＡＭ）又はグラフィックス・ランダム・アクセス・メモリを含む、様々なタイプのメモリ・デバイスを含むことができる。少なくとも一実施例では、またメモリ・ユニット１９２４Ａ～１９２４Ｎはまた、高帯域幅メモリ（ＨＢＭ）を含むがこれに限定されない３Ｄ積層メモリを含んでもよい。少なくとも一実施例では、並列プロセッサ・メモリ１９２２の利用可能な帯域幅を効率的に使用するために、フレーム・バッファ又はテクスチャ・マップなどのレンダー・ターゲットが、メモリ・ユニット１９２４Ａ～１９２４Ｎにわたって記憶されて、パーティション・ユニット１９２０Ａ～１９２０Ｎが、各レンダー・ターゲットの部分を並列に書き込みできるようにしてもよい。少なくとも一実施例では、システム・メモリとローカル・キャッシュ・メモリを併用する統合メモリ設計に有利なように、並列プロセッサ・メモリ１９２２のローカル・インスタンスは除外されてもよい。
【0302】
少なくとも一実施例では、処理クラスタ・アレイ１９１２のクラスタ１９１４Ａ～１９１４Ｎのうちのいずれか１つは、並列プロセッサ・メモリ１９２２内のメモリ・ユニット１９２４Ａ～１９２４Ｎのいずれかに書き込まれることになるデータを処理することができる。少なくとも一実施例では、メモリ・クロスバー１９１６は、各クラスタ１９１４Ａ～１９１４Ｎの出力を、出力に対してさらなる処理動作を実行することができる任意のパーティション・ユニット１９２０Ａ～１９２０Ｎ、又は別のクラスタ１９１４Ａ～１９１４Ｎに転送するように構成されることが可能である。少なくとも一実施例では、各クラスタ１９１４Ａ～１９１４Ｎは、メモリ・クロスバー１９１６を通ってメモリ・インターフェース１９１８と通信して、様々な外部メモリ・デバイスからの読取り、又はそれへの書込みを行うことができる。少なくとも一実施例では、メモリ・クロスバー１９１６は、Ｉ／Ｏユニット１９０４と通信するためのメモリ・インターフェース１９１８への接続部、並びに並列プロセッサ・メモリ１９２２のローカル・インスタンスへの接続部を有して、異なる処理クラスタ１９１４Ａ～１９１４Ｎ内の処理ユニットが、システム・メモリ、又は並列処理ユニット１９０２のローカルにない他のメモリと通信できるようにする。少なくとも一実施例では、メモリ・クロスバー１９１６は、仮想チャネルを使用して、クラスタ１９１４Ａ～１９１４Ｎと、パーティション・ユニット１９２０Ａ～１９２０Ｎとの間でトラフィック・ストリームを分離することができる。
【0303】
少なくとも一実施例では、並列処理ユニット１９０２の複数のインスタンスは、単一のアドイン・カードに提供されてもよく、又は複数のアドイン・カードが相互接続されてもよい。少なくとも一実施例では、異なるインスタンスが異なる数の処理コア、異なる量のローカル並列プロセッサ・メモリ、及び／又は他の構成差異を有する場合でも、並列処理ユニット１９０２の異なるインスタンスは相互動作するように構成されることが可能である。たとえば、少なくとも一実施例では、並列処理ユニット１９０２のいくつかインスタンスは、他のインスタンスに比べて高い精度の浮動小数点ユニットを含むことができる。少なくとも一実施例では、並列処理ユニット１９０２又は並列プロセッサ１９００のうちの１つ又は複数のインスタンスを組み込んだシステムは、デスクトップ、ラップトップ、若しくは携帯型のパーソナル・コンピュータ、サーバ、ワークステーション、ゲーム・コンソール、及び／又は組み込みシステムを含むが、これらに限定されない様々な構成及びフォーム・ファクタで実装することができる。
【0304】
図１９Ｂは、少なくとも一実施例によるパーティション・ユニット１９２０のブロック図である。少なくとも一実施例では、パーティション・ユニット１９２０は、図１９Ａのパーティション・ユニット１９２０Ａ～１９２０Ｎのうちの１つのパーティション・ユニットのインスタンスである。少なくとも一実施例では、パーティション・ユニット１９２０は、Ｌ２キャッシュ１９２１、フレーム・バッファ・インターフェース１９２５、及びＲＯＰ１９２６（ラスタ演算ユニット（ｒａｓｔｅｒ ｏｐｅｒａｔｉｏｎｓ ｕｎｉｔ））を含む。少なくとも一実施例では、Ｌ２キャッシュ１９２１は、メモリ・クロスバー１９１６及びＲＯＰ１９２６から受け取ったロード及びストアの動作を実行するように構成された読取り／書込みキャッシュである。少なくとも一実施例では、読取りミス及び至急の書戻し要求が、処理されるようにＬ２キャッシュ１９２１によってフレーム・バッファ・インターフェース１９２５に出力される。少なくとも一実施例では、更新も、処理されるようにフレーム・バッファ・インターフェース１９２５を介してフレーム・バッファに送られる。少なくとも一実施例では、フレーム・バッファ・インターフェース１９２５は、図１９の（たとえば並列プロセッサ・メモリ１９２２内の）メモリ・ユニット１９２４Ａ～１９２４Ｎなど、並列プロセッサ・メモリのメモリ・ユニットのうちの１つとインターフェースをとる。
【0305】
少なくとも一実施例では、ＲＯＰ１９２６は、ステンシル、ｚテスト、ブレンディングなどのラスタ演算を実行する処理ユニットである。少なくとも一実施例では、次いでＲＯＰ１９２６は、グラフィックス・メモリに記憶された処理済みグラフィックス・データを出力する。少なくとも一実施例では、ＲＯＰ１９２６は、メモリに書き込まれる深度又は色データを圧縮し、メモリから読み取られた深度又は色データを解凍するための圧縮論理を含む。少なくとも一実施例では、圧縮論理は、複数の圧縮アルゴリズムのうちの１つ又は複数を利用するロスレス圧縮論理とすることができる。少なくとも一実施例では、ＲＯＰ１９２６によって実行される圧縮のタイプは、圧縮されるデータの統計的特徴に基づき変更することができる。たとえば、少なくとも一実施例では、深度及び色データに対してはタイルごとにデルタ色圧縮が実行される。
【0306】
少なくとも一実施例では、ＲＯＰ１９２６は、パーティション・ユニット１９２０内ではなく、各処理クラスタ内（たとえば、図１９Ａのクラスタ１９１４Ａ～１９１４Ｎ）に含まれる。少なくとも一実施例では、ピクセル・フラグメント・データではなく、ピクセル・データの読取り及び書込み要求が、メモリ・クロスバー１９１６を介して送信される。少なくとも一実施例では、処理済みグラフィックス・データは、図１８の１つ又は複数のディスプレイ・デバイス１８１０のうちの１つなどのディスプレイ・デバイスに表示されてもよく、プロセッサ１８０２によってさらに処理できるようにルーティングされてもよく、又は図１９Ａの並列プロセッサ１９００内の処理エンティティのうちの１つによってさらに処理できるようにルーティングされてもよい。
【0307】
図１９Ｃは、少なくとも一実施例による並列処理ユニット内の処理クラスタ１９１４のブロック図である。少なくとも一実施例では、処理クラスタは、図１９Ａの処理クラスタ１９１４Ａ～１９１４Ｎのうちの１つの処理クラスタのインスタンスである。少なくとも一実施例では、処理クラスタ１９１４は、多数のスレッドを並列で実行するように構成されてもよく、ここで「スレッド」とは、入力データの特定のセットに対して実行している特定のプログラムのインスタンスを指す。少なくとも一実施例では、複数の独立した命令ユニットを提供することなく、多数のスレッドの並列実行をサポートするために、単一命令複数データ（ＳＩＭＤ）の命令発行技法が使用される。少なくとも一実施例では、処理クラスタのそれぞれ内の処理エンジンのセットに命令を発行するように構成された共通の命令ユニットを使用して、全体的に同期された多数のスレッドの並列実行をサポートするために、単一命令複数スレッド（ＳＩＭＴ：ｓｉｎｇｌｅ－ｉｎｓｔｒｕｃｔｉｏｎ， ｍｕｌｔｉｐｌｅ－ｔｈｒｅａｄ）の技法が使用される。
【0308】
少なくとも一実施例では、処理クラスタ１９１４の動作は、ＳＩＭＴ並列プロセッサに処理タスクを分配するパイプライン・マネージャ１９３２を介して制御することができる。少なくとも一実施例では、パイプライン・マネージャ１９３２は、図１９Ａのスケジューラ１９１０から命令を受け取り、グラフィックス・マルチプロセッサ１９３４及び／又はテクスチャ・ユニット１９３６を介してこれらの命令の実行を管理する。少なくとも一実施例では、グラフィックス・マルチプロセッサ１９３４は、ＳＩＭＴ並列プロセッサの例示的なインスタンスである。しかし、少なくとも一実施例では、アーキテクチャの異なる様々なタイプのＳＩＭＴ並列プロセッサが、処理クラスタ１９１４内に含まれてもよい。少なくとも一実施例では、グラフィックス・マルチプロセッサ１９３４の１つ又は複数のインスタンスは、処理クラスタ１９１４内に含めることができる。少なくとも一実施例では、グラフィックス・マルチプロセッサ１９３４はデータを処理することができ、処理済みデータを、他のシェーダ・ユニットを含む複数の可能な宛先のうちの１つに分配するためにデータ・クロスバー１９４０が使用されてもよい。少なくとも一実施例では、パイプライン・マネージャ１９３２は、データ・クロスバー１９４０を通して分配されることになる処理済みデータの宛先を指定することによって、処理済みデータの分配を容易にすることができる。
【0309】
少なくとも一実施例では、処理クラスタ１９１４内の各グラフィックス・マルチプロセッサ１９３４は、関数実行論理（たとえば、算術論理演算ユニット、ロード・ストア・ユニットなど）の同一のセットを含むことができる。少なくとも一実施例では、関数実行論理は、前の命令が完了する前に新規の命令を発行することができるパイプライン式に構成されることが可能である。少なくとも一実施例では、関数実行論理は、整数及び浮動小数点の算術、比較演算、ブール演算、ビット・シフト、及び様々な代数関数の計算を含む様々な演算をサポートする。少なくとも一実施例では、同じ関数ユニットのハードウェアを活用して、異なる演算を実行することができ、関数ユニットの任意の組合せが存在してもよい。
【0310】
少なくとも一実施例では、処理クラスタ１９１４に送信される命令がスレッドを構成する。少なくとも一実施例では、並列処理エンジンのセットにわたって実行されているスレッドのセットが、スレッド・グループである。少なくとも一実施例では、スレッド・グループは、異なる入力データに対して共通のプログラムを実行する。少なくとも一実施例では、スレッド・グループ内の各スレッドを、グラフィックス・マルチプロセッサ１９３４内の異なる処理エンジンに割り当てることができる。少なくとも一実施例では、スレッド・グループは、グラフィックス・マルチプロセッサ１９３４内の処理エンジンの数よりも少ないスレッドを含んでもよい。少なくとも一実施例では、スレッド・グループが処理エンジンの数よりも少ないスレッドを含む場合、処理エンジンのうちの１つ又は複数は、そのスレッド・グループが処理されているサイクル中にはアイドルであってもよい。少なくとも一実施例では、スレッド・グループはまた、グラフィックス・マルチプロセッサ１９３４内の処理エンジンの数よりも多いスレッドを含んでもよい。少なくとも一実施例では、スレッド・グループがグラフィックス・マルチプロセッサ１９３４内の処理エンジンの数より多くのスレッドを含む場合には、連続したクロック・サイクルにわたって処理を実行することができる。少なくとも一実施例では、複数のスレッド・グループを、グラフィックス・マルチプロセッサ１９３４上で同時に実行することができる。
【0311】
少なくとも一実施例では、グラフィックス・マルチプロセッサ１９３４は、ロード及びストアの動作を実行するための内部キャッシュ・メモリを含む。少なくとも一実施例では、グラフィックス・マルチプロセッサ１９３４は、内部キャッシュをやめて、処理クラスタ１９１４内のキャッシュ・メモリ（たとえば、Ｌ１キャッシュ１９４８）を使用することができる。少なくとも一実施例では、各グラフィックス・マルチプロセッサ１９３４は、パーティション・ユニット（たとえば、図１９Ａのパーティション・ユニット１９２０Ａ～１９２０Ｎ）内のＬ２キャッシュにもアクセスすることができ、これらのキャッシュが、すべての処理クラスタ１９１４間で共有され、スレッド間でデータを転送するために使用されてもよい。少なくとも一実施例では、グラフィックス・マルチプロセッサ１９３４は、オフ・チップのグローバル・メモリにもアクセスすることができ、このメモリは、ローカル並列プロセッサ・メモリ及び／又はシステム・メモリのうちの１つ又は複数を含むことができる。少なくとも一実施例では、並列処理ユニット１９０２の外部にある任意のメモリが、グローバル・メモリとして使用されてもよい。少なくとも一実施例では、処理クラスタ１９１４は、グラフィックス・マルチプロセッサ１９３４の複数のインスタンスを含み、共通の命令及びデータを共有することができ、これらはＬ１キャッシュ１９４８に記憶されてもよい。
【0312】
少なくとも一実施例では、各処理クラスタ１９１４は、仮想アドレスを物理アドレスにマッピングするように構成されたＭＭＵ１９４５（メモリ管理ユニット）を含んでもよい。少なくとも一実施例では、ＭＭＵ１９４５の１つ又は複数のインスタンスは、図１９Ａのメモリ・インターフェース１９１８内にあってもよい。少なくとも一実施例では、ＭＭＵ１９４５は、仮想アドレスを、タイル及び任意選択でキャッシュ・ライン・インデックスの物理アドレスにマッピングするために使用されるページ・テーブル・エントリ（ＰＴＥ）のセットを含む。少なくとも一実施例では、ＭＭＵ１９４５は、アドレスのトランスレーション・ルックアサイド・バッファ（ＴＬＢ）又はキャッシュを含んでもよく、これらは、グラフィックス・マルチプロセッサ１９３４若しくはＬ１ １９４８キャッシュ、又は処理クラスタ１９１４内にあってもよい。少なくとも一実施例では、表面データ・アクセスをローカルに分散するように物理アドレスを処理して、パーティション・ユニット間で要求の効率的なインターリーブが可能になる。少なくとも一実施例では、キャッシュ・ライン・インデックスを使用して、キャッシュ・ラインの要求がヒットかミスかが判定されてもよい。
【0313】
少なくとも一実施例では、各グラフィックス・マルチプロセッサ１９３４がテクスチャ・ユニット１９３６に結合されて、テクスチャ・マッピング動作、たとえば、テクスチャ・サンプル位置の判定、テクスチャ・データの読取り、及びテクスチャ・データのフィルタリングが実行されるように、処理クラスタ１９１４が構成されてもよい。少なくとも一実施例では、テクスチャ・データは、内部テクスチャＬ１キャッシュ（図示せず）から、又はグラフィックス・マルチプロセッサ１９３４内のＬ１キャッシュから読み取られ、必要に応じて、Ｌ２キャッシュ、ローカル並列プロセッサ・メモリ、又はシステム・メモリからフェッチされる。少なくとも一実施例では、各グラフィックス・マルチプロセッサ１９３４は、処理済みタスクをデータ・クロスバー１９４０に出力して、さらなる処理ができるように別の処理クラスタ１９１４に処理済みタスクを提供し、又はメモリ・クロスバー１９１６を介して、Ｌ２キャッシュ、ローカル並列プロセッサ・メモリ、又はシステム・メモリに処理済みタスクを記憶する。少なくとも一実施例では、プレＲＯＰ１９４２（プレ・ラスタ演算ユニット）は、グラフィックス・マルチプロセッサ１９３４からデータを受け取り、ＲＯＰユニットにデータを仕向けるように構成されており、ＲＯＰユニットは、本明細書に記載のするように、パーティション・ユニット（たとえば、図１９Ａのパーティション・ユニット１９２０Ａ～１９２０Ｎ）内に位置付けられてもよい。少なくとも一実施例では、プレＲＯＰ１９４２ユニットは、色ブレンディングの最適化を実行し、ピクセル色データを組織化し、アドレス・トランスレーションを実行することができる。
【0314】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５は、本明細書に記載のニューラル・ネットワークの訓練動作、ニューラル・ネットワークの機能及び／若しくはアーキテクチャ、又はニューラル・ネットワークのユース・ケースを使用して計算された重みパラメータに少なくとも部分的に基づき、推論又は予測の動作のためにグラフィックス処理クラスタ１９１４において使用されてもよい。
【0315】
少なくとも一実施例では、図１９Ｃに描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図１９Ｃに描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図１９Ｃに描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0316】
図１９Ｄは、少なくとも一実施例によるグラフィックス・マルチプロセッサ１９３４を示す。少なくとも一実施例では、グラフィックス・マルチプロセッサ１９３４は、処理クラスタ１９１４のパイプライン・マネージャ１９３２と結合する。少なくとも一実施例では、グラフィックス・マルチプロセッサ１９３４は、命令キャッシュ１９５２、命令ユニット１９５４、アドレス・マッピング・ユニット１９５６、レジスタ・ファイル１９５８、１つ又は複数の汎用グラフィックス・プロセッシング・ユニット（ＧＰＧＰＵ）コア１９６２、及び１つ又は複数のロード／ストア・ユニット１９６６を含むがこれらに限定されない実行パイプラインを有する。少なくとも一実施例では、ＧＰＧＰＵコア１９６２、及びロード／ストア・ユニット１９６６は、メモリ及びキャッシュ相互接続１９６８を介して、キャッシュ・メモリ１９７２及び共有メモリ１９７０に結合される。
【0317】
少なくとも一実施例では、命令キャッシュ１９５２は、実行すべき命令のストリームをパイプライン・マネージャ１９３２から受け取る。少なくとも一実施例では、命令は、命令キャッシュ１９５２にキャッシュされ、命令ユニット１９５４により実行されるようにディスパッチされる。少なくとも一実施例では、命令ユニット１９５４は、命令をスレッド・グループ（たとえば、ワープ）としてディスパッチすることができ、スレッド・グループの各スレッドは、ＧＰＧＰＵコア１９６２内の異なる実行ユニットに割り当てられる。少なくとも一実施例では、命令は、統一アドレス空間内のアドレスを指定することによって、ローカル、共有、又はグローバルのアドレス空間のいずれかにアクセスすることができる。少なくとも一実施例では、アドレス・マッピング・ユニット１９５６を使用して、統一アドレス空間のアドレスを、ロード／ストア・ユニット１９６６がアクセスできる個別メモリ・アドレスにトランスレーションすることができる。
【0318】
少なくとも一実施例では、レジスタ・ファイル１９５８は、グラフィックス・マルチプロセッサ１９３４の機能ユニットにレジスタのセットを提供する。少なくとも一実施例では、レジスタ・ファイル１９５８は、グラフィックス・マルチプロセッサ１９３４の機能ユニット（たとえばＧＰＧＰＵコア１９６２、ロード／ストア・ユニット１９６６）のデータ経路に接続された、オペランドのための一時的なストレージを提供する。少なくとも一実施例では、レジスタ・ファイル１９５８は、レジスタ・ファイル１９５８の専用部分に各機能ユニットが配分されるように、それぞれの機能ユニット間で分割される。一実施例では、レジスタ・ファイル１９５８は、グラフィックス・マルチプロセッサ１９３４によって実行されている異なるワープ間で分割される。
【0319】
少なくとも一実施例では、ＧＰＧＰＵコア１９６２はそれぞれ、グラフィックス・マルチプロセッサ１９３４の命令を実行するために使用される浮動小数点ユニット（ＦＰＵ）及び／又は整数算術論理演算ユニット（ＡＬＵ）を含むことができる。少なくとも一実施例では、ＧＰＧＰＵコア１９６２同士は、同様のアーキテクチャであってもよく、又は異なるアーキテクチャであってもよい。少なくとも一実施例では、ＧＰＧＰＵコア１９６２の第１の部分は、単精度ＦＰＵ及び整数ＡＬＵを含み、ＧＰＧＰＵコアの第２の部分は、倍精度ＦＰＵを含む。少なくとも一実施例では、ＦＰＵは、ＩＥＥＥ７５４－２００８規格浮動小数点演算を実装することができ、又は、可変精度の浮動小数点演算を有効にすることができる。少なくとも一実施例では、グラフィックス・マルチプロセッサ１９３４はさらに、矩形コピー又はピクセル・ブレンディングの動作などの特定の機能を実行するための、１つ若しくは複数の固定機能ユニット又は特別機能ユニットをさらに含むことができる。少なくとも一実施例では、ＧＰＧＰＵコア１９６２の１つ又は複数は、固定の又は特別な機能論理も含むことができる。
【0320】
少なくとも一実施例では、ＧＰＧＰＵコア１９６２は、複数のデータのセットに対して単一の命令を実行することができるＳＩＭＤ論理を含む。少なくとも一実施例では、ＧＰＧＰＵコア１９６２は、ＳＩＭＤ４、ＳＩＭＤ８、及びＳＩＭＤ１６の命令を物理的に実行することができ、ＳＩＭＤ１、ＳＩＭＤ２、及びＳＩＭＤ３２の命令を論理的に実行することができる。少なくとも一実施例では、ＧＰＧＰＵコアのためのＳＩＭＤ命令は、シェーダ・コンパイラによるコンパイル時に生成されてもよく、又は単一プログラム複数データ（ＳＰＭＤ：ｓｉｎｇｌｅ ｐｒｏｇｒａｍ ｍｕｌｔｉｐｌｅ ｄａｔａ）又はＳＩＭＴのアーキテクチャ向けに書かれコンパイルされたプログラムを実行しているときに、自動的に生成されてもよい。少なくとも一実施例では、ＳＩＭＴ実行モデルのために構成されたプログラムの複数のスレッドは、単一のＳＩＭＤ命令を介して実行することができる。たとえば、少なくとも一実施例では、同じ又は同様の動作を実行する８個のＳＩＭＴスレッドを、単一のＳＩＭＤ８の論理ユニットを介して並列に実行することができる。
【0321】
少なくとも一実施例では、メモリ及びキャッシュ相互接続１９６８は、グラフィックス・マルチプロセッサ１９３４の各機能ユニットをレジスタ・ファイル１９５８及び共有メモリ１９７０に接続する相互接続ネットワークである。少なくとも一実施例では、メモリ及びキャッシュ相互接続１９６８は、ロード／ストア・ユニット１９６６が、共有メモリ１９７０とレジスタ・ファイル１９５８との間でロード及びストアの動作を実装できるようにするクロスバー相互接続である。少なくとも一実施例では、レジスタ・ファイル１９５８は、ＧＰＧＰＵコア１９６２と同じ周波数で動作することができ、したがって、ＧＰＧＰＵコア１９６２とレジスタ・ファイル１９５８との間のデータ転送は非常に低レイテンシを有し得る。少なくとも一実施例では、共有メモリ１９７０を使用して、グラフィックス・マルチプロセッサ１９３４内の機能ユニットで実行されるスレッド間の通信を可能にすることができる。少なくとも一実施例では、キャッシュ・メモリ１９７２を、たとえばデータ・キャッシュとして使用して、機能ユニットとテクスチャ・ユニット１９３６との間で通信されるテクスチャ・データをキャッシュすることができる。少なくとも一実施例では、共有メモリ１９７０は、プログラム管理キャッシュとしても使用することができる。少なくとも一実施例では、ＧＰＧＰＵコア１９６２で実行されているスレッドは、キャッシュ・メモリ１９７２内に記憶される自動キャッシュ・データに加えて、共有メモリ内にプログラム的にデータを記憶することができる。
【0322】
少なくとも一実施例では、本明細書に記載の並列プロセッサ又はＧＰＧＰＵは、ホスト／プロセッサ・コアに通信可能に結合されて、グラフィックス動作、機械学習動作、パターン分析動作、及び様々な汎用ＧＰＵ（ＧＰＧＰＵ）機能を加速する。少なくとも一実施例では、ＧＰＵは、バス又は他の相互接続（たとえば、ＰＣＩｅ又はＮＶＬｉｎｋなどの高速相互接続）を介してホスト・プロセッサ／コアに通信可能に結合されてもよい。少なくとも一実施例では、ＧＰＵは、コアとしてパッケージ又はチップに一体化されてもよく、パッケージ又はチップの内部の内部プロセッサ・バス／相互接続を介してコアに通信可能に結合されてもよい。少なくとも一実施例では、ＧＰＵの接続方法に関わらず、プロセッサ・コアは、ワーク記述子に含まれたコマンド／命令のシーケンスの形でワークをこうしたＧＰＵに配分してもよい。少なくとも一実施例では、次いでＧＰＵは、これらのコマンド／命令を効率的に処理するために専用の回路／論理を使用する。
【0323】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５は、本明細書に記載のニューラル・ネットワークの訓練動作、ニューラル・ネットワークの機能及び／若しくはアーキテクチャ、又はニューラル・ネットワークのユース・ケースを使用して計算された重みパラメータに少なくとも部分的に基づき、推論又は予測の動作のためにグラフィックス・マルチプロセッサ１９３４において使用されてもよい。
【0324】
少なくとも一実施例では、図１９Ｄに描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図１９Ｄに描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図１９Ｄに描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0325】
図２０は、少なくとも一実施例による、マルチＧＰＵコンピューティング・システム２０００を示す。少なくとも一実施例では、マルチＧＰＵコンピューティング・システム２０００は、ホスト・インターフェース・スイッチ２００４を介して複数の汎用グラフィックス・プロセッシング・ユニット（ＧＰＧＰＵ）２００６Ａ～Ｄに結合されたプロセッサ２００２を含むことができる。少なくとも一実施例では、ホスト・インターフェース・スイッチ２００４は、プロセッサ２００２をＰＣＩエクスプレス・バスに結合するＰＣＩエクスプレス・スイッチ・デバイスであり、このＰＣＩエクスプレス・バスを介して、プロセッサ２００２は、ＧＰＧＰＵ２００６Ａ～Ｄと通信することができる。少なくとも一実施例では、ＧＰＧＰＵ２００６Ａ～Ｄは、高速ポイントツーポイントＧＰＵツーＧＰＵリンク２０１６のセットを介して相互接続することができる。少なくとも一実施例では、ＧＰＵツーＧＰＵリンク２０１６は、専用ＧＰＵリンクを介して、ＧＰＧＰＵ２００６Ａ～Ｄのそれぞれに接続される。少なくとも一実施例では、Ｐ２ＰのＧＰＵリンク２０１６は、プロセッサ２００２が接続されているホスト・インターフェース・バス２００４を介した通信を必要とせずに、ＧＰＧＰＵ２００６Ａ～Ｄのそれぞれの間で直接通信を可能にする。少なくとも一実施例では、Ｐ２ＰのＧＰＵリンク２０１６に仕向けられたＧＰＵツーＧＰＵトラフィックがあると、ホスト・インターフェース・バス２００４は、システム・メモリへのアクセスができるように、又はたとえば１つ又は複数のネットワーク・デバイスを介して、マルチＧＰＵコンピューティング・システム２０００の他のインスタンスと通信するために、利用可能な状態に保たれる。少なくとも一実施例では、ＧＰＧＰＵ２００６Ａ～Ｄは、ホスト・インターフェース・スイッチ２００４を介してプロセッサ２００２に接続され、少なくとも一実施例では、プロセッサ２００２は、Ｐ２ＰのＧＰＵリンク２０１６のための直接サポートを含み、ＧＰＧＰＵ２００６Ａ～Ｄに直接接続することができる。
【0326】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５は、本明細書に記載のニューラル・ネットワークの訓練動作、ニューラル・ネットワークの機能及び／若しくはアーキテクチャ、又はニューラル・ネットワークのユース・ケースを使用して計算された重みパラメータに少なくとも部分的に基づき、推論又は予測の動作のためにマルチＧＰＵコンピューティング・システム２０００において使用されてもよい。
【0327】
少なくとも一実施例では、図２０に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図２０に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図２０に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0328】
図２１は、少なくとも一実施例によるグラフィックス・プロセッサ２１００のブロック図である。少なくとも一実施例では、グラフィックス・プロセッサ２１００は、リング相互接続２１０２、パイプライン・フロント・エンド２１０４、メディア・エンジン２１３７、及びグラフィックス・コア２１８０Ａ～２１８０Ｎを含む。少なくとも一実施例では、リング相互接続２１０２は、グラフィックス・プロセッサ２１００を、他のグラフィックス・プロセッサ又は１つ又は複数の汎用プロセッサ・コアを含む他の処理ユニットに結合する。少なくとも一実施例では、グラフィックス・プロセッサ２１００は、マルチ・コア処理システム内に一体化された多数のプロセッサのうちの１つである。
【0329】
少なくとも一実施例では、グラフィックス・プロセッサ２１００は、リング相互接続２１０２を介してコマンドのバッチを受け取る。少なくとも一実施例では、入ってくるコマンドは、パイプライン・フロント・エンド２１０４のコマンド・ストリーマ２１０３によって解釈される。少なくとも一実施例では、グラフィックス・プロセッサ２１００は、グラフィックス・コア２１８０Ａ～２１８０Ｎを介して３Ｄジオメトリ処理及びメディア処理を実行するためのスケーラブルな実行論理を含む。少なくとも一実施例では、３Ｄジオメトリ処理コマンドについては、コマンド・ストリーマ２１０３はコマンドをジオメトリ・パイプライン２１３６に供給する。少なくとも一実施例では、少なくとも一部のメディア処理コマンドについては、コマンド・ストリーマ２１０３はコマンドをビデオ・フロント・エンド２１３４に供給し、ビデオ・フロント・エンド２１３４はメディア・エンジン２１３７に結合される。少なくとも一実施例では、メディア・エンジン２１３７は、ビデオ及び画像の後処理のためのビデオ品質エンジン（ＶＱＥ：Ｖｉｄｅｏ Ｑｕａｌｉｔｙ Ｅｎｇｉｎｅ）２１３０と、ハードウェア加速されたメディア・データのエンコード及びデコードを提供するマルチ・フォーマット・エンコード／デコード（ＭＦＸ）２１３３エンジンとを含む。少なくとも一実施例では、ジオメトリ・パイプライン２１３６及びメディア・エンジン２１３７はそれぞれ、少なくとも１つのグラフィックス・コア２１８０によって提供されるスレッド実行リソースのための実行スレッドを生成する。
【0330】
少なくとも一実施例では、グラフィックス・プロセッサ２１００は、グラフィックス・コア２１８０Ａ～２１８０Ｎ（モジュール式であり得、コア・スライスと呼ばれることもある）を特徴とするスケーラブルなスレッド実行リソースを含み、それぞれのグラフィックス・コア２１８０Ａ～２１８０Ｎは、複数のサブ・コア２１５０Ａ～５０Ｎ、２１６０Ａ～２１６０Ｎ（コア・サブ・スライスと呼ばれることもある）を有する。少なくとも一実施例では、グラフィックス・プロセッサ２１００は、任意の数のグラフィックス・コア２１８０Ａを有することができる。少なくとも一実施例では、グラフィックス・プロセッサ２１００は、少なくとも第１のサブ・コア２１５０Ａ及び第２のサブ・コア２１６０Ａを有するグラフィックス・コア２１８０Ａを含む。少なくとも一実施例では、グラフィックス・プロセッサ２１００は、単一のサブ・コア（たとえば、２１５０Ａ）を有する低電力プロセッサである。少なくとも一実施例では、グラフィックス・プロセッサ２１００は、複数のグラフィックス・コア２１８０Ａ～２１８０Ｎを含み、このそれぞれが、第１のサブ・コア２１５０Ａ～２１５０Ｎのセット、及び第２のサブ・コア２１６０Ａ～２１６０Ｎのセットを含む。少なくとも一実施例では、第１のサブ・コア２１５０Ａ～２１５０Ｎの各サブ・コアは、少なくとも、実行ユニット２１５２Ａ～２１５２Ｎとメディア／テクスチャ・サンプラ２１５４Ａ～２１５４Ｎとの第１のセットを含む。少なくとも一実施例では、第２のサブ・コア２１６０Ａ～２１６０Ｎの各サブ・コアは、少なくとも、実行ユニット２１６２Ａ～２１６２Ｎとサンプラ２１６４Ａ～２１６４Ｎとの第２のセットを含む。少なくとも一実施例では、各サブ・コア２１５０Ａ～２１５０Ｎ、２１６０Ａ～２１６０Ｎは、共有リソース２１７０Ａ～２１７０Ｎのセットを共有する。少なくとも一実施例では、共有リソースは、共有キャッシュ・メモリ及びピクセル動作論理を含む。
【0331】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５は、本明細書に記載のニューラル・ネットワークの訓練動作、ニューラル・ネットワークの機能及び／若しくはアーキテクチャ、又はニューラル・ネットワークのユース・ケースを使用して計算された重みパラメータに少なくとも部分的に基づき、推論又は予測の動作のためにグラフィックス・プロセッサ２１００において使用されてもよい。
【0332】
少なくとも一実施例では、図２１に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図２１に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図２１に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0333】
図２２は、少なくとも一実施例による、命令を実行するための論理回路を含んでもよいプロセッサ２２００のマイクロ・アーキテクチャを示すブロック図である。少なくとも一実施例では、プロセッサ２２００は、ｘ８６命令、ＡＲＭ命令、特定用途向け集積回路（ＡＳＩＣ）用の特別命令などを含む命令を実行してもよい。少なくとも一実施例では、プロセッサ２２００は、カリフォルニア州サンタクララのインテルコーポレーションによる、ＭＭＸ（商標）技術で有効化されたマイクロプロセッサ内の６４ビット幅ＭＭＸレジスタなど、パック・データを記憶するためのレジスタを含んでもよい。少なくとも一実施例では、整数形式と浮動小数点形式の両方で利用可能なＭＭＸレジスタは、単一命令複数データ（「ＳＩＭＤ」）及びストリーミングＳＩＭＤ拡張（「ＳＳＥ」：ｓｔｒｅａｍｉｎｇ ＳＩＭＤ ｅｘｔｅｎｓｉｏｎｓ）命令を伴うパック・データ要素で動作してもよい。少なくとも一実施例では、ＳＳＥ２、ＳＳＥ３、ＳＳＥ４、ＡＶＸ、又はそれ以上（総称して「ＳＳＥｘ」と呼ばれる）の技術に関する１２８ビット幅のＸＭＭレジスタは、こうしたパック・データのオペランドを保持してもよい。少なくとも一実施例では、プロセッサ２２００は、機械学習若しくは深層学習のアルゴリズム、訓練、又は推論を加速するために命令を実行してもよい。
【0334】
少なくとも一実施例では、プロセッサ２２００は、実行すべき命令をフェッチし、プロセッサ・パイプラインで後に使用すべき命令を準備するイン・オーダ・フロント・エンド（「フロント・エンド」）２２０１を含む。少なくとも一実施例では、フロント・エンド２２０１は、いくつかのユニットを含んでもよい。少なくとも一実施例では、命令プリフェッチャ２２２６が、メモリから命令をフェッチし、命令デコーダ２２２８に命令を供給し、命令デコーダは、命令をデコード又は解釈する。たとえば、少なくとも一実施例では、命令デコーダ２２２８は、受け取った命令を、機械が実行することのできる「マイクロ命令」又は「マイクロ・オペレーション」と呼ばれる（「マイクロ・オプス」又は「ｕｏｐｓ」とも呼ばれる）１つ又は複数のオペレーションにデコードする。少なくとも一実施例では、命令デコーダ２２２８は、命令を、オプコード及び対応するデータ、並びに制御フィールドに構文解析して、これらがマイクロ・アーキテクチャによって使用されて、少なくとも一実施例による動作が実行されてもよい。少なくとも一実施例では、トレース・キャッシュ２２３０は、デコードされたｕｏｐｓを、実行できるようにｕｏｐキュー２２３４においてプログラム順のシーケンス又はトレースにアセンブルしてもよい。少なくとも一実施例では、トレース・キャッシュ２２３０が複雑な命令に遭遇すると、マイクロコードＲＯＭ２２３２が、動作の完了に必要なｕｏｐｓを提供する。
【0335】
少なくとも一実施例では、単一のマイクロ・オプスに変換できる命令もあれば、全動作を完了するためにいくつかのマイクロ・オプスを必要とする命令もある。少なくとも一実施例では、命令を完了するために５つ以上のマイクロ・オプスが要な場合、命令デコーダ２２２８は、マイクロコードＲＯＭ２２３２にアクセスして、命令を実行してもよい。少なくとも一実施例では、命令は、命令デコーダ２２２８において処理できるように、少数のマイクロ・オプスにデコードされてもよい。少なくとも一実施例では、こうした動作を完了するのに多数のマイクロ・オプスが必要な場合には、命令は、マイクロコードＲＯＭ２２３２に記憶されてもよい。少なくとも一実施例では、トレース・キャッシュ２２３０は、少なくとも一実施例によるマイクロコードＲＯＭ２２３２からの１つ又は複数の命令を完了するために、エントリ・ポイント・プログラマブル論理アレイ（「ＰＬＡ」：ｐｒｏｇｒａｍｍａｂｌｅ ｌｏｇｉｃ ａｒｒａｙ）を参照して、マイクロコード・シーケンスを読み取るための正しいマイクロ命令ポインタを判定する。少なくとも一実施例では、マイクロコードＲＯＭ２２３２が命令のためのマイクロ・オプスのシーケンシングを終了した後、機械のフロント・エンド２２０１は、トレース・キャッシュ２２３０からマイクロ・オプスのフェッチを再開してもよい。
【0336】
少なくとも一実施例では、アウト・オブ・オーダ実行エンジン（「アウト・オブ・オーダ・エンジン」）２２０３は、実行できるように命令を準備してもよい。少なくとも一実施例では、アウト・オブ・オーダ実行論理は、命令のフローをなめらかにし、その順序を変更するために多数のバッファを有し、命令がパイプラインを下り、実行されるようにスケジューリングされるときの性能を最適化する。少なくとも一実施例では、アウト・オブ・オーダ実行エンジン２２０３は、限定することなく、アロケータ／レジスタ・リネーマ２２４０、メモリｕｏｐキュー２２４２、整数／浮動小数点ｕｏｐキュー２２４４、メモリ・スケジューラ２２４６、高速スケジューラ２２０２、低速／汎用浮動小数点スケジューラ（「低速／汎用ＦＰ：ｆｌｏａｔｉｎｇ ｐｏｉｎｔスケジューラ」）２２０４、及び単純浮動小数点スケジューラ（「単純ＦＰスケジューラ」）２２０６を含む。少なくとも一実施例では、高速スケジューラ２２０２、低速／汎用浮動小数点スケジューラ２２０４、及び単純浮動小数点スケジューラ２２０６は、本明細書において集合的に「ｕｏｐスケジューラ２２０２、２２０４、２２０６」とも呼ばれる。少なくとも一実施例では、アロケータ／レジスタ・リネーマ２２４０は、実行するために各ｕｏｐが必要とする機械バッファ及びリソースを配分する。少なくとも一実施例では、アロケータ／レジスタ・リネーマ２２４０は、レジスタ・ファイルへのエントリ時に論理レジスタの名前を変更する。少なくとも一実施例では、アロケータ／レジスタ・リネーマ２２４０はまた、メモリ・スケジューラ２２４６及びｕｏｐスケジューラ２２０２、２２０４、２２０６の前の、２つのｕｏｐキュー、すなわちメモリ動作のためのメモリｕｏｐキュー２２４２と非メモリ動作のための整数／浮動小数点ｕｏｐキュー２２４４とのうちの１つに、各ｕｏｐのエントリを配分する。少なくとも一実施例では、ｕｏｐスケジューラ２２０２、２２０４、２２０６は、ｕｏｐｓがいつ実行準備されるかを、それらの従属入力レジスタ・オペランドのソースが準備されていること、及びそれらの動作を完了するためにｕｏｐが必要とする実行リソースが利用可能であることに基づき、判定する。少なくとも一実施例では、高速スケジューラ２２０２は、メイン・クロック・サイクルの半分ごとにスケジューリングしてもよく、低速／汎用浮動小数点スケジューラ２２０４及び単純浮動小数点スケジューラ２２０６は、メイン・プロセッサのクロック・サイクル当たりに１回スケジューリングしてもよい。少なくとも一実施例では、ｕｏｐスケジューラ２２０２、２２０４、２２０６は、実行できるようにｕｏｐｓをスケジューリングするためにディスパッチ・ポートを調停する。
【0337】
少なくとも一実施例では、実行ブロック２２１１は、限定することなく、整数レジスタ・ファイル／バイパス・ネットワーク２２０８、浮動小数点レジスタ・ファイル／バイパス・ネットワーク（「ＦＰレジスタ・ファイル／バイパス・ネットワーク」）２２１０、アドレス生成ユニット（「ＡＧＵ」：ａｄｄｒｅｓｓ ｇｅｎｅｒａｔｉｏｎ ｕｎｉｔｓ）２２１２及び２２１４、高速算術論理演算ユニット（ＡＬＵ）（「高速ＡＬＵ」）２２１６及び２２１８、低速算術論理演算ユニット（「低速ＡＬＵ」）２２２０、浮動小数点ＡＬＵ（「ＦＰ」）２２２２、並びに浮動小数点移動ユニット（「ＦＰ移動」）２２２４を含む。少なくとも一実施例では、整数レジスタ・ファイル／バイパス・ネットワーク２２０８及び浮動小数点レジスタ・ファイル／バイパス・ネットワーク２２１０は、本明細書において「レジスタ・ファイル２２０８、２２１０」とも呼ばれる。少なくとも一実施例では、ＡＧＵＳ２２１２及び２２１４、高速ＡＬＵ２２１６及び２２１８、低速ＡＬＵ２２２０、浮動小数点ＡＬＵ２２２２、及び浮動小数点移動ユニット２２２４は、本明細書において「実行ユニット２２１２、２２１４、２２１６、２２１８、２２２０、２２２２、及び２２２４」とも呼ばれる。少なくとも一実施例では、実行ブロック２２１１は、限定することなく、（ゼロを含む）任意の数及びタイプのレジスタ・ファイル、バイパス・ネットワーク、アドレス生成ユニット、及び実行ユニットを、任意の組合せで含んでもよい。
【0338】
少なくとも一実施例では、レジスタ・ネットワーク２２０８、２２１０は、ｕｏｐスケジューラ２２０２、２２０４、２２０６と、実行ユニット２２１２、２２１４、２２１６、２２１８、２２２０、２２２２、及び２２２４との間に配置されてもよい。少なくとも一実施例では、整数レジスタ・ファイル／バイパス・ネットワーク２２０８は、整数演算を実行する。少なくとも一実施例では、浮動小数点レジスタ・ファイル／バイパス・ネットワーク２２１０は、浮動小数点演算を実行する。少なくとも一実施例では、レジスタ・ネットワーク２２０８、２２１０のそれぞれは、限定することなく、バイパス・ネットワークを含んでもよく、このバイパス・ネットワークは、レジスタ・ファイルにまだ書き込まれていない完了したばかりの結果を、新しい従属ｕｏｐｓにバイパス又は転送してもよい。少なくとも一実施例では、レジスタ・ネットワーク２２０８、２２１０は、互いにデータを通信してもよい。少なくとも一実施例では、整数レジスタ・ファイル／バイパス・ネットワーク２２０８は、限定することなく、２つの別々のレジスタ・ファイル、すなわち低次３２ビットのデータ用の１つのレジスタ・ファイル、及び高次３２ビットのデータ用の第２のレジスタ・ファイルを含んでもよい。少なくとも一実施例では、浮動小数点命令は、通常、６４～１２８ビット幅のオペランドを有することから、浮動小数点レジスタ・ファイル／バイパス・ネットワーク２２１０は、限定することなく、１２８ビット幅のエントリを含んでもよい。
【0339】
少なくとも一実施例では、実行ユニット２２１２、２２１４、２２１６、２２１８、２２２０、２２２２、２２２４は、命令を実行してもよい。少なくとも一実施例では、レジスタ・ネットワーク２２０８、２２１０は、マイクロ命令が実行する必要のある整数及び浮動小数点のデータのオペランド値を記憶する。少なくとも一実施例では、プロセッサ２２００は、限定することなく、任意の数及び組合せの実行ユニット２２１２、２２１４、２２１６、２２１８、２２２０、２２２２、２２２４を含んでよい。少なくとも一実施例では、浮動小数点ＡＬＵ２２２２及び浮動小数点移動ユニット２２２４は、浮動小数点、ＭＭＸ、ＳＩＭＤ、ＡＶＸ、及びＳＥＥ、又は特別な機械学習命令を含む他の演算を実行してもよい。少なくとも一実施例では、浮動小数点ＡＬＵ２２２２は、限定することなく、６４ビットずつの浮動小数点デバイダを含み、除算、平方根、及び残りのマイクロ・オプスを実行してもよい。少なくとも一実施例では、浮動小数点値を含む命令は、浮動小数点ハードウェアによって対処されてもよい。少なくとも一実施例では、ＡＬＵ演算は、高速ＡＬＵ２２１６、２２１８に渡されてもよい。少なくとも一実施例では、高速ＡＬＵＳ２２１６、２２１８は、クロック・サイクルの半分の実効レイテンシで高速演算を実行してもよい。少なくとも一実施例では、低速ＡＬＵ２２２０は、乗数、シフト、フラグ論理、及びブランチ処理などの長レイテンシ・タイプの演算のための整数実行ハードウェアを、限定することなく含んでもよいことから、ほとんどの複雑な整数演算は低速ＡＬＵ２２２０に進む。少なくとも一実施例では、メモリのロード／ストア動作は、ＡＧＵ２２１２、２２１４によって実行されてもよい。少なくとも一実施例では、高速ＡＬＵ２２１６、高速ＡＬＵ２２１８、及び低速ＡＬＵ２２２０は、６４ビットのデータ・オペランドで整数演算を実行してもよい。少なくとも一実施例では、高速ＡＬＵ２２１６、高速ＡＬＵ２２１８、及び低速ＡＬＵ２２２０は、１６、３２、１２８、２５６などを含む様々なデータ・ビット・サイズをサポートするように実装されてもよい。少なくとも一実施例では、浮動小数点ＡＬＵ２２２２及び浮動小数点移動ユニット２２２４は、ＳＩＭＤ及びマルチメディア命令と併せた１２８ビット幅のパック・データ・オペランドなど様々なビット幅を有する幅広いオペランドをサポートするように実装されてもよい。
【0340】
少なくとも一実施例では、ｕｏｐスケジューラ２２０２、２２０４、２２０６は、親ロードが実行を終了する前に、従属演算をディスパッチする。少なくとも一実施例では、ｕｏｐｓは、プロセッサ２２００において投機的にスケジューリング及び実行されてもよいので、プロセッサ２２００は、メモリ・ミスに対処するための論理も含んでよい。少なくとも一実施例では、データ・キャッシュにおいてデータ・ロードがミスした場合、一時的に不正確なデータを有するスケジューラを通り過ぎたパイプラインに、進行中の従属演算が存在してもよい。少なくとも一実施例では、リプレイ機構が、不正確なデータを使用する命令を追跡及び再実行する。少なくとも一実施例では、従属演算は、リプレイされる必要があってもよく、独立した演算は、完了が許容されてもよい。少なくとも一実施例では、プロセッサの少なくとも一実施例のスケジューラ及びリプレイ機構はまた、テキスト・ストリング比較演算のための命令シーケンスを捕捉するように設計されてもよい。
【0341】
少なくとも一実施例では、「レジスタ」は、オペランドを識別するための命令の一部として使用することができるオンボード・プロセッサのストレージ・ロケーションを指してもよい。少なくとも一実施例では、レジスタは、（プログラマの視点から見て）プロセッサの外部から使用可能であり得るものであってもよい。少なくとも一実施例では、レジスタは、特定のタイプの回路に限定されなくてもよい。むしろ、少なくとも一実施例では、レジスタは、データを記憶し、データを提供し、本明細書に記載の機能を実行してもよい。少なくとも一実施例では、本明細書に記載のレジスタは、専用物理レジスタ、レジスタ・リネーミングを使用して動的に配分される物理レジスタ、専用物理レジスタと動的に配分される物理レジスタとの組合せなど、任意の数の異なる技法を使用して、プロセッサ内の回路によって実装されてもよい。少なくとも一実施例では、整数レジスタは、３２ビットの整数データを記憶する。少なくとも一実施例のレジスタ・ファイルは、パック・データのための８つのマルチメディアＳＩＭＤレジスタも含む。
【0342】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５の一部又はすべてが、実行ブロック２２１１、及び図示してある若しくは図示していない他のメモリ又はレジスタに組み込まれてもよい。たとえば、少なくとも一実施例では、本明細書に記載の訓練及び／又は推論の技法は、実行ブロック２２１１に示すＡＬＵのうちの１つ又は複数を使用してもよい。さらに、重みパラメータは、本明細書に記載の１つ又は複数の機械学習アルゴリズム、ニューラル・ネットワーク・アーキテクチャ、ユース・ケース、又は訓練技法を実行するための実行ブロック２２１１のＡＬＵを構成するオン・チップ若しくはオフ・チップのメモリ及び／又はレジスタ（図示する又は図示せず）に記憶されてもよい。
【0343】
少なくとも一実施例では、図２２に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図２２に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図２２に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0344】
図２３は、少なくとも一実施例による深層学習アプリケーション・プロセッサ２３００を示す。少なくとも一実施例では、深層学習アプリケーション・プロセッサ２３００は、深層学習アプリケーション・プロセッサ２３００によって実行される場合に、本開示全体を通して記載するプロセス及び技法の一部又はすべてを、深層学習アプリケーション・プロセッサ２３００に実行させる命令を使用する。少なくとも一実施例では、深層学習アプリケーション・プロセッサ２３００は、特定用途向け集積回路（ＡＳＩＣ）である。少なくとも一実施例では、アプリケーション・プロセッサ２３００は、１つ若しくは複数の命令又は両方を実行した結果としていずれもハードウェアに「ハード・ワイヤード」された行列乗算演算を実行する。少なくとも一実施例では、深層学習アプリケーション・プロセッサ２３００は、限定することなく、処理クラスタ２３１０（１）～２３１０（１２）、チップ間リンク（「ＩＣＬ」）２３２０（１）～２３２０（１２）、チップ間コントローラ（「ＩＣＣ」）２３３０（１）～２３３０（２）、高帯域幅メモリ第２世代（「ＨＢＭ２」）２３４０（１）～２３４０（４）、メモリ・コントローラ（「Ｍｅｍ Ｃｔｒｌｒｓ」）２３４２（１）～２３４２（４）、高帯域幅メモリ物理層（「ＨＢＭ ＰＨＹ」）２３４４（１）～２３４４（４）、管理－コントローラ中央処理装置（「管理－コントローラＣＰＵ」）２３５０、シリアル・ペリフェラル・インターフェース、集積回路間、及び汎用入力／出力ブロック（「ＳＰＩ、Ｉ２Ｃ、ＧＰＩＯ」）２３６０、周辺構成要素相互接続エクスプレス・コントローラ及びダイレクト・メモリ・アクセス・ブロック（「ＰＣＩｅコントローラ及びＤＭＡ」）２３７０、並びに１６レーン周辺構成要素相互接続エクスプレス・ポート（「ＰＣＩ Ｅｘｐｒｅｓｓ ｘ １６」）２３８０を含む。
【0345】
少なくとも一実施例では、処理クラスタ２３１０は、本明細書に記載の技法を含む１つ又は複数の訓練技法を使用して計算された重みパラメータに基づき、推論又は予測の演算を含む深層学習演算を実行してもよい。少なくとも一実施例では、各処理クラスタ２３１０は、限定することなく、任意の数及びタイプのプロセッサを含んでもよい。少なくとも一実施例では、深層学習アプリケーション・プロセッサ２３００は、任意の数及びタイプの処理クラスタ２３００を含んでもよい。少なくとも一実施例では、チップ間リンク２３２０は、双方向性である。少なくとも一実施例では、チップ間リンク２３２０及びチップ間コントローラ２３３０は、１つ又は複数のニューラル・ネットワークに具体化された１つ又は複数の機械学習アルゴリズムを実行した結果得られるアクティブ化情報を含む情報を、複数の深層学習アプリケーション・プロセッサ２３００が交換できるようにする。少なくとも一実施例では、深層学習アプリケーション・プロセッサ２３００は、（ゼロを含む）任意の数及びタイプのＩＣＬ２３２０及びＩＣＣ２３３０を含んでもよい。
【0346】
少なくとも一実施例では、ＨＢＭ２ ２３４０は、合計３２ギガバイト（ＧＢ：Ｇｉｇａｂｙｔｅ）のメモリを提供する。少なくとも一実施例では、ＨＢＭ２ ２３４０（ｉ）は、メモリ・コントローラ２３４２（ｉ）とＨＢＭ ＰＨＹ２３４４（ｉ）の両方に関連付けられ、ここで「ｉ」は任意の整数である。少なくとも一実施例では、任意の数のＨＢＭ２ ２３４０が、任意のタイプ及び合計量の高帯域幅メモリを提供してもよく、（ゼロを含む）任意の数及びタイプのメモリ・コントローラ２３４２及びＨＢＭ ＰＨＹ２３４４に関連付けられてもよい。少なくとも一実施例では、ＳＰＩ、Ｉ２Ｃ、ＧＰＩＯ２３６０、ＰＣＩｅコントローラ及びＤＭＡ２３７０、並びに／又はＰＣＩｅ２３８０は、任意の技術的に実行可能なやり方で任意の数及びタイプの通信規格を有効にする任意の数及びタイプのブロックに置き換えられてもよい。
【0347】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、深層学習アプリケーション・プロセッサは、深層学習アプリケーション・プロセッサ２３００に提供される情報を予測又は推論するようにニューラル・ネットワークなどの機械学習モデルを訓練するために使用される。少なくとも一実施例では、深層学習アプリケーション・プロセッサ２３００は、別のプロセッサ若しくはシステムによって、又は深層学習アプリケーション・プロセッサ２３００によって訓練されてきた訓練済み機械学習モデル（たとえば、ニューラル・ネットワーク）に基づき、情報を推論又は予測するために使用される。少なくとも一実施例では、プロセッサ２３００は、本明細書に記載の１つ又は複数のニューラル・ネットワークのユース・ケースを実行するために使用されてもよい。
【0348】
少なくとも一実施例では、図２３に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図２３に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図２３に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0349】
図２４は、少なくとも一実施例による、ニューロモーフィック・プロセッサ２４００のブロック図である。少なくとも一実施例では、ニューロモーフィック・プロセッサ２４００は、ニューロモーフィック・プロセッサ２４００の外部のソースから１つ又は複数の入力を受信する。少なくとも一実施例では、これらの入力は、ニューロモーフィック・プロセッサ２４００内の１つ又は複数のニューロン２４０２に送信されてもよい。少なくとも一実施例では、ニューロン２４０２及びその構成要素は、１つ又は複数の算術論理演算ユニット（ＡＬＵ）を含む回路又は論理を使用して、実装されてもよい。少なくとも一実施例では、ニューロモーフィック・プロセッサ２４００は、限定することなく、ニューロン２４０２の数千又は数百万のインスタンスを含んでもよいが、任意の好適な数のニューロン２４０２が使用されてもよい。少なくとも一実施例では、ニューロン２４０２の各インスタンスは、ニューロン入力２４０４及びニューロン出力２４０６を含んでもよい。少なくとも一実施例では、ニューロン２４０２は出力を生成してもよく、この出力は、ニューロン２４０２の他のインスタンスの入力に送信されてもよい。たとえば、少なくとも一実施例では、ニューロン入力２４０４及びニューロン出力２４０６は、シナプス２４０８を介して相互接続されてもよい。
【0350】
少なくとも一実施例では、ニューロン２４０２とシナプス２４０８とは、ニューロモーフィック・プロセッサ２４００が受信した情報をニューロモーフィック・プロセッサ２４００が動作して処理又は分析するように、相互接続されてもよい。少なくとも一実施例では、ニューロン２４０２は、ニューロン入力２４０４を介して受信した入力が、閾値を超えているとき、出力パルス（又は「発火」若しくは「スパイク」）を送信してもよい。少なくとも一実施例では、ニューロン２４０２は、ニューロン入力２４０４において受信した信号を合計又は積分してもよい。たとえば、少なくとも一実施例では、ニューロン２４０２は、漏れ積分発火ニューロン（ｌｅａｋｙ ｉｎｔｅｇｒａｔｅ－ａｎｄ－ｆｉｒｅ ｎｅｕｒｏｎ）として実装されてもよく、ここで、合計（「膜電位」と呼ばれる）が閾値を超える場合には、ニューロン２４０２は、シグモイド関数又は閾値関数などの伝達関数を使用して、出力（又は「発火」）を生成してもよい。少なくとも一実施例では、漏れ積分発火ニューロンは、ニューロン入力２４０４で受信した信号を合計して膜電位にしてもよく、また、崩壊因子（又は漏れ）を適用して膜電位を低減してもよい。少なくとも一実施例では、複数の入力信号が、閾値を超えるほど十分に素早く（すなわち、膜電位の崩壊が少なすぎて発火できなくなる前に）ニューロン入力２４０４において受信された場合には、漏れ積分発火ニューロンが発火してもよい。少なくとも一実施例では、ニューロン２４０２は、入力を受信し、入力を積分して膜電位にし、膜電位を崩壊させる回路又は論理を使用して、実装されてもよい。少なくとも一実施例では、入力は平均化されてもよく、又は任意の他の好適な伝達関数が使用されてもよい。さらに、少なくとも一実施例では、ニューロン２４０２は、ニューロン入力２４０４に伝達関数を適用した結果が閾値を超えるとき、ニューロン出力２４０６において出力スパイクを生成するコンパレータ回路又は論理を、限定することなく含んでもよい。少なくとも一実施例では、ニューロン２４０２は発火すると、前に受信した入力情報を、たとえば膜電位を０又は他の好適なデフォルト値に再設定することによって、無視してもよい。少なくとも一実施例では、膜電位が０にリセットされると、ニューロン２４０２は、好適な期間（又は不応期）の後に通常の動作を再開してもよい。
【0351】
少なくとも一実施例では、ニューロン２４０２は、シナプス２４０８を通して相互接続されてもよい。少なくとも一実施例では、シナプス２４０８は、第１のニューロン２４０２の出力から第２のニューロン２４０２の入力に信号を送信するように動作してもよい。少なくとも一実施例では、ニューロン２４０２は、シナプス２４０８の２つ以上のインスタンスを介して情報を送信してもよい。少なくとも一実施例では、ニューロン出力２４０６の１つ又は複数のインスタンスは、シナプス２４０８のインスタンスを介して、同じニューロン２４０２のニューロン入力２４０４のインスタンスに接続されてもよい。少なくとも一実施例では、シナプス２４０８のインスタンスを介して送信されることになる出力を生成するニューロン２４０２のインスタンスは、シナプス２４０８のそのインスタンスに対して「シナプス前ニューロン」と呼ばれてもよい。少なくとも一実施例では、シナプス２４０８のインスタンスを介して送信されることになる入力を受信するニューロン２４０２のインスタンスは、シナプス２４０８のそのインスタンスに対して「シナプス後ニューロン」と呼ばれてもよい。少なくとも一実施例では、ニューロン２４０２のインスタンスは、シナプス２４０８の１つ又は複数のインスタンスから入力を受信してもよく、また、シナプス２４０８の１つ又は複数のインスタンスを介して出力を送信してもよいので、ニューロン２４０２の単一のインスタンスは、したがって、シナプス２４０８の様々なインスタンスに対して「シナプス前ニューロン」と「シナプス後ニューロン」の両方であってもよい。
【0352】
少なくとも一実施例では、ニューロン２４０２は、１つ又は複数の層に組織化されてもよい。少なくとも一実施例では、ニューロン２４０２の各インスタンスは、１つ又は複数のシナプス２４０８を通って１つ又は複数のニューロン入力２４０４にファン・アウトすることができる１つのニューロン出力２４０６を有してもよい。少なくとも一実施例では、第１の層２４１０のニューロン２４０２のニューロン出力２４０６は、第２の層２４１２のニューロン２４０２のニューロン入力２４０４に接続されてもよい。少なくとも一実施例では、層２４１０は、「フィード・フォワード」層と呼ばれてもよい。少なくとも一実施例では、第１の層２４１０のインスタンスにおけるニューロン２４０２の各インスタンスは、第２の層２４１２におけるニューロン２４０２の各インスタンスにファン・アウトしてもよい。少なくとも一実施例では、第１の層２４１０は、「完全に接続されたフィード・フォワード層」と呼ばれてもよい。少なくとも一実施例では、第２の層２４１２のインスタンスにおけるニューロン２４０２の各インスタンスは、第３の層２４１４におけるニューロン２４０２の全インスタンスより少ないインスタンスにファン・アウトしてもよい。少なくとも一実施例では、第２の層２４１２は、「疎に接続されたフィード・フォワード層」と呼ばれてもよい。少なくとも一実施例では、第２の層２４１２のニューロン２４０２は、やはり第２の層２４１２のニューロン２４０２を含め、複数の他の層のニューロン２４０２にファン・アウトしてもよい。少なくとも一実施例では、第２の層２４１２は、「回帰層」と呼ばれてもよい。少なくとも一実施例では、ニューロモーフィック・プロセッサ２４００は、疎に接続されたフィード・フォワード層と完全に接続されたフィード・フォワード層の両方を限定することなく含む、回帰層とフィード・フォワード層の任意の好適な組合せを限定することなく含んでもよい。
【0353】
少なくとも一実施例では、ニューロモーフィック・プロセッサ２４００は、シナプス２４０８をニューロン２４０２に接続するための再構成可能相互接続アーキテクチャ、又は専用ハード・ワイヤード相互接続を、限定することなく含んでもよい。少なくとも一実施例では、ニューロモーフィック・プロセッサ２４００は、ニューラル・ネットワーク・トポロジ、及びニューロンのファン・イン／ファン・アウトに基づき、必要に応じてシナプスを異なるニューロン２４０２に配分できるようにする回路又は論理を、限定することなく含んでもよい。たとえば、少なくとも一実施例では、シナプス２４０８は、ネットワーク・オン・チップなどの相互接続ファブリックを使用して、又は専用の接続を用いて、ニューロン２４０２に接続されてもよい。少なくとも一実施例では、シナプス相互接続及びその構成要素は、回路又は論理を使用して実装されてもよい。
【0354】
少なくとも一実施例では、図２４に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図２４に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図２４に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0355】
図２５は、少なくとも一実施例による処理システムのブロック図である。少なくとも一実施例では、システム２５００は、１つ又は複数のプロセッサ２５０２、及び１つ又は複数のグラフィックス・プロセッサ２５０８を含み、単一プロセッサのデスクトップ・システム、マルチプロセッサのワークステーション・システム、又は多数のプロセッサ２５０２若しくはプロセッサ・コア２５０７を有するサーバ・システムであってもよい。少なくとも一実施例では、システム２５００は、モバイル・デバイス、携帯型デバイス、又は組み込みデバイスで使用するためのシステム・オン・チップ（ＳｏＣ）集積回路内に組み込まれた処理プラットフォームである。
【0356】
少なくとも一実施例では、システム２５００は、サーバ・ベースのゲーミング・プラットフォーム、ゲーム及びメディアのコンソールを含むゲーム・コンソール、モバイル・ゲーミング・コンソール、携帯型ゲーム・コンソール、若しくはオンライン・ゲーム・コンソールを含んでもよく、又はそれらに組み込まれてもよい。少なくとも一実施例では、システム２５００は、モバイル・フォン、スマート・フォン、タブレット・コンピューティング・デバイス、又はモバイル・インターネット・デバイスである。少なくとも一実施例では、処理システム２５００はまた、スマート・ウォッチ・ウェアラブル・デバイス、スマート・アイウェア・デバイス、拡張現実デバイス、若しくは仮想現実デバイスなどのウェアラブル・デバイスを含んでもよく、それらに結合されてもよく、又はそれらの中に一体化されてもよい。少なくとも一実施例では、処理システム２５００は、１つ又は複数のプロセッサ２５０２と、１つ又は複数のグラフィックス・プロセッサ２５０８によって生成されるグラフィカル・インターフェースとを有するテレビ又はセット・トップ・ボックス・デバイスである。
【0357】
少なくとも一実施例では、１つ又は複数のプロセッサ２５０２はそれぞれ、実行されたときにシステム及びユーザ・ソフトウェアのための動作を実行する命令を処理するための１つ又は複数のプロセッサ・コア２５０７を含む。少なくとも一実施例では、１つ又は複数のプロセッサ・コア２５０７のそれぞれは、特定の命令シーケンス２５０９を処理するように構成される。少なくとも一実施例では、命令シーケンス２５０９は、複合命令セット・コンピューティング（ＣＩＳＣ）、縮小命令セット・コンピューティング（ＲＩＳＣ）、又は超長命令語（ＶＬＩＷ）を介したコンピューティングを容易にしてもよい。少なくとも一実施例では、プロセッサ・コア２５０７はそれぞれ、異なる命令シーケンス２５０９を処理してもよく、この命令シーケンス２５０９は、他の命令シーケンスのエミュレーションを容易にする命令を含んでもよい。少なくとも一実施例では、プロセッサ・コア２５０７はまた、デジタル信号プロセッサ（ＤＳＰ）などの他の処理デバイスを含んでもよい。
【0358】
少なくとも一実施例では、プロセッサ２５０２はキャッシュ・メモリ２５０４を含む。少なくとも一実施例では、プロセッサ２５０２は、単一の内部キャッシュ又は複数レベルの内部キャッシュを有してもよい。少なくとも一実施例では、キャッシュ・メモリは、プロセッサ２５０２の様々な構成要素間で共有される。少なくとも一実施例では、プロセッサ２５０２はまた、外部キャッシュ（たとえば、レベル３（Ｌ３）キャッシュ又はラスト・レベル・キャッシュ（ＬＬＣ））（図示せず）を使用し、このキャッシュは、知られているキャッシュ・コヒーレンス技法を使用して、プロセッサ・コア２５０７間で共有されてもよい。少なくとも一実施例では、さらにレジスタ・ファイル２５０６がプロセッサ２５０２に含まれ、このレジスタ・ファイルは、異なるタイプのデータを記憶するための異なるタイプのレジスタ（たとえば、整数レジスタ、浮動小数点レジスタ、状態レジスタ、及び命令ポインタ・レジスタ）を含んでもよい。少なくとも一実施例では、レジスタ・ファイル２５０６は、汎用レジスタ又は他のレジスタを含んでもよい。
【0359】
少なくとも一実施例では、１つ又は複数のプロセッサ２５０２は、１つ又は複数のインターフェース・バス２５１０に結合されて、アドレス、データ、又は制御信号などの通信信号を、プロセッサ２５０２とシステム２５００内の他の構成要素との間で送信する。少なくとも一実施例では、インターフェース・バス２５１０は、一実施例では、ダイレクト・メディア・インターフェース（ＤＭＩ）バスのバージョンなどのプロセッサ・バスとすることができる。少なくとも一実施例では、インターフェース・バス２５１０は、ＤＭＩバスに限定されず、１つ又は複数のペリフェラル・コンポーネント・インターコネクト・バス（たとえば、ＰＣＩ、ＰＣＩエクスプレス）、メモリ・バス、又は他のタイプのインターフェース・バスを含んでもよい。少なくとも一実施例では、プロセッサ２５０２は、統合メモリ・コントローラ２５１６、及びプラットフォーム・コントローラ・ハブ２５３０を含む。少なくとも一実施例では、メモリ・コントローラ２５１６は、メモリ・デバイスとシステム２５００の他の構成要素との間の通信を容易にし、一方でプラットフォーム・コントローラ・ハブ（ＰＣＨ）２５３０は、ローカルＩ／Ｏバスを介してＩ／Ｏデバイスへの接続を提供する。
【0360】
少なくとも一実施例では、メモリ・デバイス２５２０は、ダイナミック・ランダム・アクセス・メモリ（ＤＲＡＭ）デバイス、スタティック・ランダム・アクセス・メモリ（ＳＲＡＭ）デバイス、フラッシュ・メモリ・デバイス、相変化メモリ・デバイス、又はプロセス・メモリとしての役割を果たすのに好適な性能を有する何らかの他のメモリ・デバイスとすることができる。少なくとも一実施例では、メモリ・デバイス２５２０は、システム２５００のためのシステム・メモリとして動作して、１つ又は複数のプロセッサ２５０２がアプリケーション若しくはプロセスを実行するときに使用するためのデータ２５２２及び命令２５２１を記憶することができる。少なくとも一実施例では、メモリ・コントローラ２５１６はまた、任意選択の外部グラフィックス・プロセッサ２５１２と結合しており、このグラフィックス・プロセッサ２５１２は、プロセッサ２５０２内の１つ又は複数のグラフィックス・プロセッサ２５０８と通信して、グラフィックス及びメディアの動作を実行してもよい。少なくとも一実施例では、ディスプレイ・デバイス２５１１は、プロセッサ２５０２に接続することができる。少なくとも一実施例では、ディスプレイ・デバイス２５１１は、モバイル電子デバイス又はラップトップ・デバイスのような内部ディスプレイ・デバイス、又はディスプレイ・インターフェース（たとえば、ディスプレイ・ポートなど）を介して取り付けられる外部ディスプレイ・デバイスのうちの１つ又は複数を含むことができる。少なくとも一実施例では、ディスプレイ・デバイス２５１１は、仮想現実（ＶＲ）アプリケーション又は拡張現実（ＡＲ）アプリケーションで使用するための立体ディスプレイ・デバイスなどの頭部装着型ディスプレイ（ＨＭＤ）を含むことができる。
【0361】
少なくとも一実施例では、プラットフォーム・コントローラ・ハブ２５３０は、周辺装置が高速Ｉ／Ｏバスを介してメモリ・デバイス２５２０及びプロセッサ２５０２に接続できるようにする。少なくとも一実施例では、Ｉ／Ｏ周辺装置は、オーディオ・コントローラ２５４６、ネットワーク・コントローラ２５３４、ファームウェア・インターフェース２５２８、ワイヤレス・トランシーバ２５２６、タッチ・センサ２５２５、データ・ストレージ・デバイス２５２４（たとえば、ハード・ディスク・ドライブ、フラッシュ・メモリなど）を含むが、これらに限定されない。少なくとも一実施例では、データ・ストレージ・デバイス２５２４は、ストレージ・インターフェース（たとえば、ＳＡＴＡ）を介して、又はペリフェラル・コンポーネント・インターコネクト・バス（たとえば、ＰＣＩ、ＰＣＩエクスプレス）などのペリフェラル・バスを介して、接続することができる。少なくとも一実施例では、タッチ・センサ２５２５は、タッチ画面センサ、圧力センサ、又は指紋センサを含むことができる。少なくとも一実施例では、ワイヤレス・トランシーバ２５２６は、ＷｉＦｉトランシーバ、Ｂｌｕｅｔｏｏｔｈトランシーバ、又は３Ｇ、４Ｇ、若しくはＬｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ（ＬＴＥ）トランシーバなどのモバイル・ネットワーク・トランシーバとすることができる。少なくとも一実施例では、ファームウェア・インターフェース２５２８は、システム・ファームウェアとの通信を可能にし、たとえば、ユニファイド・エクステンシブル・ファームウェア・インターフェース（ＵＥＦＩ）とすることができる。少なくとも一実施例では、ネットワーク・コントローラ２５３４は、有線ネットワークへのネットワーク接続を可能にすることができる。少なくとも一実施例では、高性能ネットワーク・コントローラ（図示せず）は、インターフェース・バス２５１０と結合する。少なくとも一実施例では、オーディオ・コントローラ２５４６は、多チャネル・ハイ・デフィニション・オーディオ・コントローラである。少なくとも一実施例では、システム２５００は、レガシー（たとえば、パーソナル・システム２（ＰＳ／２））デバイスをシステム２５００に結合するための任意選択のレガシーＩ／Ｏコントローラ２５４０を含む。少なくとも一実施例では、プラットフォーム・コントローラ・ハブ２５３０は、キーボードとマウス２５４３の組合せ、カメラ２５４４、又は他のＵＳＢ入力デバイスなど、１つ又は複数のユニバーサル・シリアル・バス（ＵＳＢ）コントローラ２５４２の接続入力デバイスにも接続することができる。
【0362】
少なくとも一実施例では、メモリ・コントローラ２５１６及びプラットフォーム・コントローラ・ハブ２５３０のインスタンスは、外部グラフィックス・プロセッサ２５１２などの個別の外部グラフィックス・プロセッサに一体化されてもよい。少なくとも一実施例では、プラットフォーム・コントローラ・ハブ２５３０及び／又はメモリ・コントローラ２５１６は、１つ又は複数のプロセッサ２５０２の外部にあってもよい。たとえば、少なくとも一実施例では、システム２５００は、外部のメモリ・コントローラ２５１６及びプラットフォーム・コントローラ・ハブ２５３０を含むことができ、これらは、プロセッサ２５０２と通信するシステム・チップセット内のメモリ・コントローラ・ハブ及び周辺装置コントローラ・ハブとして構成されてもよい。
【0363】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５の一部又はすべてが、グラフィックス・プロセッサ２５０８に組み込まれてもよい。たとえば、少なくとも一実施例では、本明細書に記載の訓練及び／又は推論の技法は、３Ｄパイプラインに具体化されたＡＬＵのうちの１つ又は複数を使用してもよい。さらに、少なくとも一実施例では、本明細書に記載の推論及び／又は訓練の動作は、図６Ａ又は図６Ｂに示す論理以外の論理を使用して行われてもよい。少なくとも一実施例では、重みパラメータは、本明細書に記載の１つ又は複数の機械学習アルゴリズム、ニューラル・ネットワーク・アーキテクチャ、ユース・ケース、又は訓練技法を実行するためのグラフィックス・プロセッサ２５０８のＡＬＵを構成するオン・チップ若しくはオフ・チップのメモリ及び／又はレジスタ（図示している又は図示せず）に記憶されてもよい。
【0364】
少なくとも一実施例では、図２５に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図２５に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図２５に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0365】
図２６は、少なくとも一実施例による、１つ又は複数のプロセッサ・コア２６０２Ａ～２６０２Ｎ、統合メモリ・コントローラ２６１４、及び統合グラフィックス・プロセッサ２６０８を有するプロセッサ２６００のブロック図である。少なくとも一実施例では、プロセッサ２６００は、破線の四角によって表される追加コア２６０２Ｎを含むそれ以下の数の追加コアを含むことができる。少なくとも一実施例では、プロセッサ・コア２６０２Ａ～２６０２Ｎのそれぞれは、１つ又は複数の内部キャッシュ・ユニット２６０４Ａ～２６０４Ｎを含む。少なくとも一実施例では、各プロセッサ・コアはまた、１つ又は複数の共有キャッシュ・ユニット２６０６にアクセスできる。
【0366】
少なくとも一実施例では、内部キャッシュ・ユニット２６０４Ａ～２６０４Ｎ、及び共有キャッシュ・ユニット２６０６は、プロセッサ２６００内のキャッシュ・メモリ階層を表す。少なくとも一実施例では、キャッシュ・メモリ・ユニット２６０４Ａ～２６０４Ｎは、各プロセッサ・コア内の命令及びデータのキャッシュの少なくとも１つのレベル、並びにレベル２（Ｌ２）、レベル３（Ｌ３）、レベル４（Ｌ４）などの共有中間レベル・キャッシュの１つ又は複数のレベル、又はキャッシュの他のレベルを含んでもよく、ここで外部メモリの前の最高レベルのキャッシュは、ＬＬＣとして分類される。少なくとも一実施例では、キャッシュ・コヒーレンス論理は、様々なキャッシュ・ユニット２６０６及び２６０４Ａ～２６０４Ｎ間でコヒーレンスを維持する。
【0367】
少なくとも一実施例では、プロセッサ２６００はまた、１つ又は複数のバス・コントローラ・ユニット２６１６とシステム・エージェント・コア２６１０のセットを含んでもよい。少なくとも一実施例では、バス・コントローラ・ユニット２６１６は、１つ若しくは複数のＰＣＩ又はＰＣＩエクスプレス・バスなどのペリフェラル・バスのセットを管理する。少なくとも一実施例では、システム・エージェント・コア２６１０は、様々なプロセッサ構成要素のための管理機能を提供する。少なくとも一実施例では、システム・エージェント・コア２６１０は、様々な外部メモリ・デバイス（図示せず）へのアクセスを管理するための１つ又は複数の統合メモリ・コントローラ２６１４を含む。
【0368】
少なくとも一実施例では、プロセッサ・コア２６０２Ａ～２６０２Ｎの１つ又は複数は、同時マルチスレッディングのサポートを含む。少なくとも一実施例では、システム・エージェント・コア２６１０は、マルチスレッドの処理中にコア２６０２Ａ～２６０２Ｎを調整し動作させるための構成要素を含む。少なくとも一実施例では、システム・エージェント・コア２６１０はさらに、電力制御ユニット（ＰＣＵ）を含んでもよく、このユニットは、プロセッサ・コア２６０２Ａ～２６０２Ｎ及びグラフィックス・プロセッサ２６０８の１つ又は複数の電力状態を調整するための論理及び構成要素を含む。
【0369】
少なくとも一実施例では、プロセッサ２６００はさらに、グラフィックス処理動作を実行するためのグラフィックス・プロセッサ２６０８を含む。少なくとも一実施例では、グラフィックス・プロセッサ２６０８は、共有キャッシュ・ユニット２６０６と、１つ又は複数の統合メモリ・コントローラ２６１４を含むシステム・エージェント・コア２６１０とに結合する。少なくとも一実施例では、システム・エージェント・コア２６１０はまた、１つ又は複数の結合されたディスプレイに対してグラフィックス・プロセッサの出力を行わせるためのディスプレイ・コントローラ２６１１を含む。少なくとも一実施例では、ディスプレイ・コントローラ２６１１はまた、少なくとも１つの相互接続を介してグラフィックス・プロセッサ２６０８に結合された別個のモジュールであってもよく、又はグラフィックス・プロセッサ２６０８内に一体化されていてもよい。
【0370】
少なくとも一実施例では、プロセッサ２６００の内部構成要素を結合するために、リング・ベースの相互接続ユニット２６１２が使用される。少なくとも一実施例では、ポイントツーポイント相互接続、スイッチ相互接続、又は他の技法などの代替的な相互接続ユニットが使用されてもよい。少なくとも一実施例では、グラフィックス・プロセッサ２６０８は、Ｉ／Ｏリンク２６１３を介してリング相互接続２６１２と結合する。
【0371】
少なくとも一実施例では、Ｉ／Ｏリンク２６１３は、様々なプロセッサ構成要素と、ｅＤＲＡＭモジュールなどの高性能組み込みメモリ・モジュール２６１８との間の通信を容易にするオン・パッケージＩ／Ｏ相互接続を含む多様なＩ／Ｏ相互接続のうちの少なくとも１つを表す。少なくとも一実施例では、プロセッサ・コア２６０２Ａ～２６０２Ｎのそれぞれ及びグラフィックス・プロセッサ２６０８は、共有ラスト・レベル・キャッシュとして組み込みメモリ・モジュール２６１８を使用する。
【0372】
少なくとも一実施例では、プロセッサ・コア２６０２Ａ～２６０２Ｎは、共通の命令セット・アーキテクチャを実行する同種のコアである。少なくとも一実施例では、プロセッサ・コア２６０２Ａ～２６０２Ｎは、命令セット・アーキテクチャ（ＩＳＡ）の観点から見れば異種であり、ここでプロセッサ・コア２６０２Ａ～２６０２Ｎのうちの１つ又は複数は、共通の命令セットを実行するが、プロセッサ・コア２６０２Ａ～２６０２Ｎのうちの１つ又は複数の他のコアは、共通の命令セットのサブセット、又は異なる命令セットを実行する。少なくとも一実施例では、プロセッサ・コア２６０２Ａ～２６０２Ｎは、マイクロ・アーキテクチャの観点から見れば異種であり、ここで電力消費量が相対的に高い１つ又は複数のコアは、電力消費量がより低い１つ又は複数のコアと結合する。少なくとも一実施例では、プロセッサ２６００は、１つ又は複数のチップ上に、又はＳｏＣ集積回路として実装することができる。
【0373】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５の一部又はすべてが、グラフィックス・プロセッサ２６０８に組み込まれてもよい。たとえば、少なくとも一実施例では、本明細書に記載の訓練及び／又は推論の技法は、３Ｄパイプライン、グラフィックス・コア２６０２、共有機能論理、又は図２６の他の論理に具体化されたＡＬＵのうちの１つ又は複数を使用してもよい。さらに、少なくとも一実施例では、本明細書に記載の推論及び／又は訓練の動作は、図６Ａ又は図６Ｂに示す論理以外の論理を使用して行われてもよい。少なくとも一実施例では、重みパラメータは、本明細書に記載の１つ又は複数の機械学習アルゴリズム、ニューラル・ネットワーク・アーキテクチャ、ユース・ケース、又は訓練技法を実行するためのプロセッサ２６００のＡＬＵを構成するオン・チップ若しくはオフ・チップのメモリ及び／又はレジスタ（図示している又は図示せず）に記憶されてもよい。
【0374】
少なくとも一実施例では、図２６に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図２６に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図２６に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0375】
図２７は、グラフィックス・プロセッサ２７００のブロック図であり、これは、個別グラフィックス・プロセッシング・ユニットであってもよく、又は複数の処理コアと統合されたグラフィックス・プロセッサであってもよい。少なくとも一実施例では、グラフィックス・プロセッサ２７００は、メモリにマッピングされたＩ／Ｏインターフェースを介して、メモリに入れられたコマンドを用いて、グラフィックス・プロセッサ２７００のレジスタと通信する。少なくとも一実施例では、グラフィックス・プロセッサ２７００は、メモリにアクセスするためのメモリ・インターフェース２７１４を含む。少なくとも一実施例では、メモリ・インターフェース２７１４は、ローカル・メモリ、１つ若しくは複数の内部キャッシュ、１つ若しくは複数の共有外部キャッシュ、及び／又はシステム・メモリへのインターフェースである。
【0376】
少なくとも一実施例では、グラフィックス・プロセッサ２７００はまた、ディスプレイ出力データをディスプレイ・デバイス２７２０に向けて駆動するためのディスプレイ・コントローラ２７０２も含む。少なくとも一実施例では、ディスプレイ・コントローラ２７０２は、ディスプレイ・デバイス２７２０用の１つ又は複数の重なり平面、及び多層のビデオ若しくはユーザ・インターフェース要素の合成のためのハードウェアを含む。少なくとも一実施例では、ディスプレイ・デバイス２７２０は、内部又は外部のディスプレイ・デバイスとすることができる。少なくとも一実施例では、ディスプレイ・デバイス２７２０は、仮想現実（ＶＲ）ディスプレイ・デバイス又は拡張現実（ＡＲ）ディスプレイ・デバイスなどの頭部装着型ディスプレイ・デバイスである。少なくとも一実施例では、グラフィックス・プロセッサ２７００は、ＭＰＥＧ－２などの動画エキスパート・グループ（ＭＰＥＧ）フォーマット、Ｈ．２６４／ＭＰＥＧ－４ＡＶＣなどのアドバンスト・ビデオ・コーディング（ＡＶＣ）フォーマット、並びに映画テレビ技術者協会（ＳＭＰＴＥ）４２１Ｍ／ＶＣ－１、及びＪＰＥＧなどのジョイント・フォトグラフィック・エキスパート・グループ（ＪＰＥＧ）フォーマット、及びモーションＪＰＥＧ（ＭＪＰＥＧ）フォーマットを含むがこれらに限定されない１つ又は複数のメディア符号化フォーマットに、それらのフォーマットから、又はそれらのフォーマット間で、メディアをエンコード、デコード、又はコード変換するためのビデオ・コーデック・エンジン２７０６を含む。
【0377】
少なくとも一実施例では、グラフィックス・プロセッサ２７００は、たとえばビット境界ブロック転送を含む２次元（２Ｄ）ラスタライザ動作を実行するためのブロック画像転送（ＢＬＩＴ）エンジン２７０４を含む。しかし、少なくとも一実施例では、２Ｄグラフィックス動作は、グラフィックス処理エンジン（ＧＰＥ）２７１０の１つ又は複数の構成要素を使用して実行される。少なくとも一実施例では、ＧＰＥ２７１０は、３次元（３Ｄ）グラフィックス動作及びメディア動作を含むグラフィックス動作を実行するためのコンピュート・エンジンである。
【0378】
少なくとも一実施例では、ＧＰＥ２７１０は、３Ｄのプリミティブ形状（たとえば、矩形、三角形など）に作用する処理関数を使用して、３次元画像及びシーンをレンダリングするなど、３Ｄ動作を実行するための３Ｄパイプライン２７１２を含む。少なくとも一実施例では、３Ｄパイプライン２７１２は、プログラム可能で固定された関数要素を含み、これは、３Ｄ／メディア・サブシステム２７１５に対して様々なタスクを実行し、且つ／又は実行スレッドをスポーンする。３Ｄパイプライン２７１２を使用してメディア動作を実行できるが、少なくとも一実施例では、ＧＰＥ２７１０は、ビデオの後処理及び画像強調などのメディア動作を実行するために使用されるメディア・パイプライン２７１６も含む。
【0379】
少なくとも一実施例では、メディア・パイプライン２７１６は、ビデオ・コーデック・エンジン２７０６の代わりに、又はそれを代表して、ビデオ・デコード加速、ビデオ・インターレース解除、及びエンコード加速などの１つ又は複数の特別なメディア動作を実行するための固定機能又はプログラム可能論理ユニットを含む。少なくとも一実施例では、メディア・パイプライン２７１６は、３Ｄ／メディア・サブシステム２７１５で実行するためのスレッドをスポーンするためのスレッド・スポーニング・ユニットをさらに含む。少なくとも一実施例では、スポーンされたスレッドは、３Ｄ／メディア・サブシステム２７１５に含まれた１つ又は複数のグラフィックス実行ユニット上で、メディア動作のための計算を実行する。
【0380】
少なくとも一実施例では、３Ｄ／メディア・サブシステム２７１５は、３Ｄパイプライン２７１２及びメディア・パイプライン２７１６によってスポーンされたスレッドを実行するための論理を含む。少なくとも一実施例では、３Ｄパイプライン２７１２及びメディア・パイプライン２７１６は、スレッド実行要求を３Ｄ／メディア・サブシステム２７１５に送り、この３Ｄ／メディア・サブシステム２７１５は、様々な要求を調停し、利用可能なスレッド実行リソースにディスパッチするためのスレッド・ディスパッチ論理を含む。少なくとも一実施例では、実行リソースは、３Ｄ及びメディア・スレッドを処理するためのグラフィックス実行ユニットのアレイを含む。少なくとも一実施例では、３Ｄ／メディア・サブシステム２７１５は、スレッド命令及びデータのための１つ又は複数の内部キャッシュを含む。少なくとも一実施例では、サブシステム２７１５はまた、スレッド間でデータを共有し、出力データを記憶するための、レジスタ及びアドレス指定可能メモリを含む共有メモリも含む。
【0381】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５の一部又はすべてが、グラフィックス・プロセッサ２７００に組み込まれてもよい。たとえば、少なくとも一実施例では、本明細書に記載の訓練及び／又は推論の技法は、３Ｄパイプライン２７１２に具体化されたＡＬＵのうちの１つ又は複数を使用してもよい。さらに、少なくとも一実施例では、本明細書に記載の推論及び／又は訓練の動作は、図６Ａ又は図６Ｂに示す論理以外の論理を使用して行われてもよい。少なくとも一実施例では、重みパラメータは、本明細書に記載の１つ又は複数の機械学習アルゴリズム、ニューラル・ネットワーク・アーキテクチャ、ユース・ケース、又は訓練技法を実行するためのグラフィックス・プロセッサ２７００のＡＬＵを構成するオン・チップ若しくはオフ・チップのメモリ及び／又はレジスタ（図示している又は図示せず）に記憶されてもよい。
【0382】
少なくとも一実施例では、図２７に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図２７に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図２７に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0383】
図２８は、少なくとも一実施例によるグラフィックス・プロセッサのグラフィックス処理エンジン２８１０のブロック図である。少なくとも一実施例では、グラフィックス処理エンジン（ＧＰＥ）２８１０は、図２７に示すＧＰＥ２７１０の１つのバージョンである。少なくとも一実施例では、メディア・パイプライン２８１６は任意選択であり、ＧＰＥ２８１０内に明示的に含まれなくてもよい。少なくとも一実施例では、別個のメディア及び／又は画像のプロセッサが、ＧＰＥ２８１０に結合される。
【0384】
少なくとも一実施例では、ＧＰＥ２８１０は、コマンド・ストリーマ２８０３に結合され、又はそれを含み、このコマンド・ストリーマ２８０３は、３Ｄパイプライン２８１２及び／又はメディア・パイプライン２８１６にコマンド・ストリームを提供する。少なくとも一実施例では、コマンド・ストリーマ２８０３はメモリに結合され、このメモリは、システム・メモリであってもよく、又は内部キャッシュ・メモリ及び共有キャッシュ・メモリのうちの１つ若しくは複数であってもよい。少なくとも一実施例では、コマンド・ストリーマ２８０３は、メモリからコマンドを受信し、３Ｄパイプライン２８１２及び／又はメディア・パイプライン２８１６にコマンドを送る。少なくとも一実施例では、コマンドは、リング・バッファからフェッチされる命令、プリミティブ、又はマイクロ・オペレーションであり、このリング・バッファは、３Ｄパイプライン２８１２及びメディア・パイプライン２８１６のためのコマンドを記憶する。少なくとも一実施例では、リング・バッファはさらに、複数のコマンドのバッチを記憶するバッチ・コマンド・バッファを含むことができる。少なくとも一実施例では、３Ｄパイプライン２８１２用のコマンドはまた、３Ｄパイプライン２８１２用の頂点及び形状のデータ、並びに／又はメディア・パイプライン２８１６用の画像データ及びメモリ・オブジェクトなどであるがこれらに限定されないメモリに記憶されたデータへの参照も含むことができる。少なくとも一実施例では、３Ｄパイプライン２８１２及びメディア・パイプライン２８１６は、演算を実行することにより、又は１つ若しくは複数の実行スレッドをグラフィックス・コア・アレイ２８１４にディスパッチすることにより、コマンド及びデータを処理する。少なくとも一実施例では、グラフィックス・コア・アレイ２８１４は、グラフィックス・コア（たとえば、グラフィックス・コア２８１５Ａ、グラフィックス・コア２８１５Ｂ）の１つ又は複数のブロックを含み、各ブロックは、１つ又は複数のグラフィックス・コアを含む。少なくとも一実施例では、各グラフィックス・コアは、グラフィックス及びコンピュートの動作を実行するための汎用及びグラフィックス専用の実行論理、並びに、図６Ａ及び図６Ｂの推論及び／又は訓練論理６１５を含め、固定機能のテクスチャ処理及び／又は機械学習、及び人工知能の加速論理を含むグラフィックス実行リソースのセットを含む。
【0385】
少なくとも一実施例では、３Ｄパイプライン２８１２は、命令を処理し、実行スレッドをグラフィックス・コア・アレイ２８１４にディスパッチすることにより、頂点シェーダ、ジオメトリ・シェーダ、ピクセル・シェーダ、フラグメント・シェーダ、コンピュート・シェーダ、又は他のシェーダ・プログラムなどの１つ又は複数のシェーダ・プログラムを処理するための固定機能及びプログラム可能論理を含む。少なくとも一実施例では、グラフィックス・コア・アレイ２８１４は、シェーダ・プログラムを処理する際に使用するための実行リソースの統合ブロックを提供する。少なくとも一実施例では、グラフィック・コア・アレイ２８１４のグラフィックス・コア２８１５Ａ～２８１５Ｂ内の多目的の実行論理（たとえば、実行ユニット）は、様々な３ＤのＡＰＩシェーダ言語のサポートを含み、複数のシェーダに関連付けられた複数の同時実行スレッドを実行することができる。
【0386】
少なくとも一実施例では、グラフィックス・コア・アレイ２８１４はまた、ビデオ及び／又は画像の処理など、メディア機能を実行するための実行論理も含む。少なくとも一実施例では、実行ユニットはさらに、グラフィックス処理動作に加えて並列の汎用計算動作を実行するようにプログラム可能な汎用論理を含む。
【0387】
少なくとも一実施例では、グラフィックス・コア・アレイ２８１４上で実行しているスレッドにより生成される出力データは、統合リターン・バッファ（ＵＲＢ）２８１８のメモリにデータを出力することができる。少なくとも一実施例では、ＵＲＢ２８１８は、複数のスレッド用のデータを記憶することができる。少なくとも一実施例では、グラフィックス・コア・アレイ２８１４上で実行している異なるスレッド間でデータを送るために、ＵＲＢ２８１８を使用してもよい。少なくとも一実施例では、グラフィックス・コア・アレイ２８１４上のスレッドと、共有機能論理２８２０内の固定機能論理との間の同期のために、ＵＲＢ２８１８がさらに使用されてもよい。
【0388】
少なくとも一実施例では、グラフィックス・コア・アレイ２８１４はスケーラブルであり、それにより、グラフィックス・コア・アレイ２８１４は、可変数のグラフィックス・コアを含み、それぞれのグラフィックス・コアが、ＧＰＥ２８１０の目的とする電力及び性能のレベルに基づき可変数の実行ユニットを有する。少なくとも一実施例では、実行リソースは動的にスケーラブルであり、それにより実行リソースは、必要に応じて有効化又は無効化されてもよい。
【0389】
少なくとも一実施例では、グラフィックス・コア・アレイ２８１４は、グラフィックス・コア・アレイ２８１４のグラフィックス・コア間で共有される複数のリソースを含む共有機能論理２８２０に結合される。少なくとも一実施例では、共有機能論理２８２０によって実行される共有機能は、専用の補足機能をグラフィックス・コア・アレイ２８１４に提供するハードウェア論理ユニットに具体化される。少なくとも一実施例では、共有機能論理２８２０は、サンプラユニット２８２１、数理ユニット２８２２、及びスレッド間通信（ＩＴＣ）論理２８２３を含むが、これらに限定されない。少なくとも一実施例では、１つ又は複数のキャッシュ２８２５が、共有機能論理２８２０に含まれ、又はそれに結合される。
【0390】
少なくとも一実施例では、専用機能の需要が不十分でグラフィックス・コア・アレイ２８１４内に含められない場合に、共有機能が使用される。少なくとも一実施例では、専用機能を１つにインスタンス化したものが、共有機能論理２８２０において使用され、グラフィックス・コア・アレイ２８１４内の他の実行リソース間で共有される。少なくとも一実施例では、共有機能論理２８２０内の、グラフィックス・コア・アレイ２８１４によってのみ使用される特定の共有機能は、グラフィックス・コア・アレイ２８１４内の共有機能論理２８２６内に含まれてもよい。少なくとも一実施例では、グラフィックス・コア・アレイ２８１４内の共有機能論理２８２６は、共有機能論理２８２０内の一部又はすべての論理を含むことができる。少なくとも一実施例では、共有機能論理２８２０内のすべての論理要素は、グラフィックス・コア・アレイ２８１４の共有機能論理２８２６内で複製されてもよい。少なくとも一実施例では、共有機能論理２８２０は、グラフィックス・コア・アレイ２８１４内の共有機能論理２８２６に有利なように除外される。
【0391】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５の一部又はすべてが、グラフィックス・プロセッサ２８１０に組み込まれてもよい。たとえば、少なくとも一実施例では、本明細書に記載の訓練及び／又は推論の技法は、３Ｄパイプライン２８１２、グラフィックス・コア２８１５、共有機能論理２８２６、共有機能論理２８２０、又は図２８の他の論理に具体化されたＡＬＵのうちの１つ又は複数を使用してもよい。さらに、少なくとも一実施例では、本明細書に記載の推論及び／又は訓練の動作は、図６Ａ又は図６Ｂに示す論理以外の論理を使用して行われてもよい。少なくとも一実施例では、重みパラメータは、本明細書に記載の１つ又は複数の機械学習アルゴリズム、ニューラル・ネットワーク・アーキテクチャ、ユース・ケース、又は訓練技法を実行するためのグラフィックス・プロセッサ２８１０のＡＬＵを構成するオン・チップ若しくはオフ・チップのメモリ及び／又はレジスタ（図示している又は図示せず）に記憶されてもよい。
【0392】
少なくとも一実施例では、図２８に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図２８に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図２８に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0393】
図２９は、本明細書に記載の少なくとも一実施例によるグラフィックス・プロセッサ・コア２９００のハードウェア論理のブロック図である。少なくとも一実施例では、グラフィックス・プロセッサ・コア２９００は、グラフィックス・コア・アレイ内に含まれる。少なくとも一実施例では、コア・スライスと呼ばれることもあるグラフィックス・プロセッサ・コア２９００は、モジュール式グラフィックス・プロセッサ内の１つ又は複数のグラフィックス・コアとすることができる。少なくとも一実施例では、グラフィックス・プロセッサ・コア２９００は、１つのグラフィックス・コア・スライスの例示であり、本明細書に記載のグラフィックス・プロセッサは、目的の電力及び性能のエンベロープに基づき、複数のグラフィックス・コア・スライスを含んでもよい。少なくとも一実施例では、各グラフィックス・コア２９００は、汎用及び固定の機能論理のモジュール式ブロックを含むサブ・スライスとも呼ばれる複数のサブ・コア２９０１Ａ～２９０１Ｆに結合された固定機能ブロック２９３０を含むことができる。
【0394】
少なくとも一実施例では、固定機能ブロック２９３０は、たとえば低性能及び／又は低電力のグラフィックス・プロセッサ実装形態において、グラフィックス・プロセッサ２９００内のすべてのサブ・コアが共有できるジオメトリ及び固定機能パイプライン２９３６を含む。少なくとも一実施例では、ジオメトリ及び固定機能パイプライン２９３６は、３Ｄ固定機能パイプライン、ビデオ・フロント・エンド・ユニット、スレッド・スポーナ（ｓｐａｗｎｅｒ）及びスレッド・ディスパッチャ、並びに統合リターン・バッファを管理する統合リターン・バッファ・マネージャを含む。
【0395】
少なくとも一実施例では、固定機能ブロック２９３０はまた、グラフィックスＳｏＣインターフェース２９３７、グラフィックス・マイクロコントローラ２９３８、及びメディア・パイプライン２９３９を含む。少なくとも一実施例では、グラフィックスＳｏＣインターフェース２９３７は、グラフィックス・コア２９００と、システム・オン・チップ集積回路内の他のプロセッサ・コアとのインターフェースを提供する。少なくとも一実施例では、グラフィックス・マイクロコントローラ２９３８は、スレッド・ディスパッチ、スケジューリング、及びプリエンプションを含め、グラフィックス・プロセッサ２９００の様々な機能を管理するように構成可能なプログラム可能サブ・プロセッサである。少なくとも一実施例では、メディア・パイプライン２９３９は、画像及びビデオのデータを含むマルチメディア・データのデコーディング、エンコーディング、前処理、及び／又は後処理を容易にする論理を含む。少なくとも一実施例では、メディア・パイプライン２９３９は、サブ・コア２９０１Ａ～２９０１Ｆ内のコンピュート論理又はサンプリング論理への要求を介して、メディア動作を実装する。
【0396】
少なくとも一実施例では、ＳｏＣインターフェース２９３７は、汎用アプリケーション・プロセッサ・コア（たとえば、ＣＰＵ）、及び／又はＳｏＣ内の他の構成要素と、グラフィックス・コア２９００が通信できるようにし、ＳｏＣ内の他の構成要素には、共有ラスト・レベル・キャッシュ・メモリ、システムＲＡＭ、及び／又は組み込みオン・チップ若しくはオン・パッケージのＤＲＡＭなどのメモリ階層要素が含まれる。少なくとも一実施例では、ＳｏＣインターフェース２９３７はまた、カメラ・イメージング・パイプラインなど、ＳｏＣ内の固定機能デバイスとの通信を可能にし、グラフィックス・コア２９００とＳｏＣ内のＣＰＵとの間で共有することができるグローバル・メモリ・アトミックの使用を可能にし、且つ／又はそれを実装する。少なくとも一実施例では、グラフィックスＳｏＣインターフェース２９３７はまた、グラフィックス・プロセッサ・コア２９００の電力管理制御を実装することができ、グラフィックス・プロセッサ・コア２９００のクロック・ドメインと、ＳｏＣ内の他のクロック・ドメインとの間でインターフェースをとれるようにする。少なくとも一実施例では、ＳｏＣインターフェース２９３７は、グラフィックス・プロセッサ内の１つ又は複数のグラフィックス・コアのそれぞれにコマンド及び命令を提供するように構成されたコマンド・ストリーマ及びグローバル・スレッド・ディスパッチャから、コマンド・バッファを受信できるようにする。少なくとも一実施例では、コマンド及び命令は、メディア動作が実行されるときにはメディア・パイプライン２９３９にディスパッチされることが可能であり、又はグラフィックス処理動作が実行されるときには、ジオメトリ及び固定機能パイプライン（たとえば、ジオメトリ及び固定機能パイプライン２９３６及び／又はジオメトリ及び固定機能パイプライン２９１４）にディスパッチされることが可能である。
【0397】
少なくとも一実施例では、グラフィックス・マイクロコントローラ２９３８は、グラフィックス・コア２９００のための様々なスケジューリング及び管理タスクを実行するように構成されることが可能である。少なくとも一実施例では、グラフィックス・マイクロコントローラ２９３８は、サブ・コア２９０１Ａ～２９０１Ｆ内の実行ユニット（ＥＵ：ｅｘｅｃｕｔｉｏｎ ｕｎｉｔ）アレイ２９０２Ａ～２９０２Ｆ、２９０４Ａ～２９０４Ｆ内の様々なグラフィックス並列エンジンで、グラフィックスを実行し、且つ／又はワークロードのスケジューリングをコンピュートすることができる。少なくとも一実施例では、グラフィックス・コア２９００を含むＳｏＣのＣＰＵコア上で実行されているホスト・ソフトウェアは、複数のグラフィックス・プロセッサ経路のうちの１つにワークロードを送出することができ、この経路が、適切なグラフィックス・エンジンに対するスケジューリング動作を呼び出す。少なくとも一実施例では、スケジューリング動作は、どのワークロードを次に実行すべきかを判定すること、コマンド・ストリーマにワークロードを送出すること、エンジン上で実行されている既存のワークロードをプリエンプションすること、ワークロードの進行を監視すること、及びワークロードが完了したときにホスト・ソフトウェアに通知することを含む。少なくとも一実施例では、グラフィックス・マイクロコントローラ２９３８はまた、グラフィックス・コア２９００の低電力又はアイドル状態を促進して、オペレーティング・システム及び／又はシステム上のグラフィックス・ドライバ・ソフトウェアとは無関係に、低電力状態の移行全体にわたってグラフィックス・コア２９００内のレジスタを保存及び復元する機能をグラフィックス・コア２９００に提供することができる。
【0398】
少なくとも一実施例では、グラフィックス・コア２９００は、図示してあるサブ・コア２９０１Ａ～２９０１Ｆより多くの、又はそれより少ない、Ｎ個までのモジュール式サブ・コアを有してもよい。Ｎ個のサブ・コアのセットごとに、少なくとも一実施例では、グラフィックス・コア２９００はまた、共有機能論理２９１０、共有及び／又はキャッシュ・メモリ２９１２、ジオメトリ／固定機能パイプライン２９１４、並びに様々なグラフィックスを加速し、処理動作をコンピュートするための追加の固定機能論理２９１６を含むことができる。少なくとも一実施例では、共有機能論理２９１０は、グラフィックス・コア２９００内の各Ｎ個のサブ・コアが共有できる論理ユニット（たとえば、サンプラ、数理、及び／又はスレッド間通信の論理）を含むことができる。少なくとも一実施例では、共有及び／又はキャッシュ・メモリ２９１２は、グラフィックス・コア２９００内のＮ個のサブ・コア２９０１Ａ～２９０１Ｆのためのラスト・レベル・キャッシュとすることができ、また、複数のサブ・コアがアクセスできる共有メモリとしての役割も果たすことができる。少なくとも一実施例では、ジオメトリ／固定機能パイプライン２９１４は、固定機能ブロック２９３０内のジオメトリ／固定機能パイプライン２９３６の代わりに含まれてもよく、同様の論理ユニットを含むことができる。
【0399】
少なくとも一実施例では、グラフィックス・コア２９００は、グラフィックス・コア２９００が使用するための様々な固定機能加速論理を含むことができる追加の固定機能論理２９１６を含む。少なくとも一実施例では、追加の固定機能論理２９１６は、位置限定シェーディング（ｐｏｓｉｔｉｏｎ ｏｎｌｙ ｓｈａｄｉｎｇ）に使用するための追加のジオメトリ・パイプラインを含む。位置限定シェーディングでは、少なくとも２つのジオメトリ・パイプラインが存在しているが、ジオメトリ及び固定機能パイプライン２９１４、２９３６内の完全ジオメトリ・パイプラインと選別パイプライン（ｃｕｌｌ ｐｉｐｅｌｉｎｅ）においてであり、この選別パイプラインは、追加の固定機能論理２９１６内に含まれてもよい追加のジオメトリ・パイプラインである。少なくとも一実施例では、選別パイプラインは、完全ジオメトリ・パイプラインの縮小版である。少なくとも一実施例では、完全パイプライン及び選別パイプラインは、アプリケーションの異なるインスタンスを実行することができ、各インスタンスは別個のコンテキストを有する。少なくとも一実施例では、位置限定シェーディングは、切り捨てられた三角形の長い選別ランを隠すことができ、いくつかのインスタンスにおいてシェーディングを早く完了させることができる。たとえば、少なくとも一実施例では、選別パイプラインは、ピクセルをフレーム・バッファにラスタ化及びレンダリングを実行することなく、頂点の位置属性をフェッチしシェーディングするので、追加の固定機能論理２９１６内の選別パイプライン論理は、メイン・アプリケーションと並列で位置シェーダを実行することができ、完全パイプラインよりも全体的に早く臨界結果（ｃｒｉｔｉｃａｌ ｒｅｓｕｌｔ）を生成する。少なくとも一実施例では、選別パイプラインは、生成された臨界結果を使用して、すべての三角形について、これらの三角形が選別されているかどうかに関わらず、可視性情報をコンピュートすることができる。少なくとも一実施例では、（このインスタンスではリプレイ・パイプラインと呼ばれてもよい）完全パイプラインは、可視性情報を消費して、選別された三角形を飛ばして可視三角形だけをシェーディングすることができ、この可視性三角形が、最終的にラスタ化フェーズに渡される。
【0400】
少なくとも一実施例では、追加の固定機能論理２９１６はまた、機械学習の訓練又は推論の最適化を含む実装形態のために、固定機能の行列乗算論理など、機械学習の加速論理を含むことができる。
【0401】
少なくとも一実施例では、各グラフィックス・サブ・コア２９０１Ａ～２９０１Ｆ内において、実行リソースのセットを含み、このセットは、グラフィックス・パイプライン、メディア・パイプライン、又はシェーダ・プログラムからの要求に応答して、グラフィックス動作、メディア動作、及びコンピュート動作を実行するために使用されてもよい。少なくとも一実施例では、グラフィックス・サブ・コア２９０１Ａ～２９０１Ｆは、複数のＥＵアレイ２９０２Ａ～２９０２Ｆ、２９０４Ａ～２９０４Ｆ、スレッド・ディスパッチ及びスレッド間通信（ＴＤ／ＩＣ：ｔｈｒｅａｄ ｄｉｓｐａｔｃｈ ａｎｄ ｉｎｔｅｒ－ｔｈｒｅａｄ ｃｏｍｍｕｎｉｃａｔｉｏｎ）論理２９０３Ａ～２９０３Ｆ、３Ｄ（たとえば、テクスチャ）サンプラ２９０５Ａ～２９０５Ｆ、メディア・サンプラ２９０６Ａ～２９０６Ｆ、シェーダ・プロセッサ２９０７Ａ～２９０７Ｆ、及び共有ローカル・メモリ（ＳＬＭ：ｓｈａｒｅｄ ｌｏｃａｌ ｍｅｍｏｒｙ）２９０８Ａ～２９０８Ｆを含む。少なくとも一実施例では、ＥＵアレイ２９０２Ａ～２９０２Ｆ、２９０４Ａ～２９０４Ｆはそれぞれ、複数の実行ユニットを含み、これらは、グラフィックス、メディア、又はコンピュート・シェーダ・プログラムを含むグラフィックス動作、メディア動作、又はコンピュート動作のサービスにおいて浮動小数点及び整数／固定小数点の論理演算を実行することができる汎用グラフィックス・プロセッシング・ユニットである。少なくとも一実施例では、ＴＤ／ＩＣ論理２９０３Ａ～２９０３Ｆは、サブ・コア内の実行ユニットのためのローカル・スレッド・ディスパッチ及びスレッド制御動作を実行し、サブ・コアの実行ユニット上で実行されているスレッド間の通信を容易にする。少なくとも一実施例では、３Ｄサンプラ２９０５Ａ～２９０５Ｆは、テクスチャ又は他の３Ｄグラフィックス関連のデータをメモリに読み取ることができる。少なくとも一実施例では、３Ｄサンプラは、所与のテクスチャに関連付けられた構成済みサンプル状態及びテクスチャ・フォーマットに基づき、テクスチャ・データを異なるやり方で読み取ることができる。少なくとも一実施例では、メディア・サンプラ２９０６Ａ～２９０６Ｆは、メディア・データに関連付けられたタイプ及びフォーマットに基づき、同様の読取り動作を実行することができる。少なくとも一実施例では、各グラフィックス・サブ・コア２９０１Ａ～２９０１Ｆは、代替的に３Ｄとメディアの統合サンプラを含むことができる。少なくとも一実施例では、サブ・コア２９０１Ａ～２９０１Ｆのそれぞれ内の実行ユニット上で実行しているスレッドは、スレッド・グループ内で実行しているスレッドが、オン・チップ・メモリの共通プールを使用して実行できるようにするために、各サブ・コア内の共有ローカル・メモリ２９０８Ａ～２９０８Ｆを利用することができる。
【0402】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５の一部又はすべてが、グラフィックス・プロセッサ２９００に組み込まれてもよい。たとえば、少なくとも一実施例では、本明細書に記載の訓練及び／又は推論の技法は、３Ｄパイプライン、グラフィックス・マイクロコントローラ２９３８、ジオメトリ及び固定機能パイプライン２９１４及び２９３６、又は図２９の他の論理に具体化されたＡＬＵのうちの１つ又は複数を使用してもよい。さらに、少なくとも一実施例では、本明細書に記載の推論及び／又は訓練の動作は、図６Ａ又は図６Ｂに示す論理以外の論理を使用して行われてもよい。少なくとも一実施例では、重みパラメータは、本明細書に記載の１つ又は複数の機械学習アルゴリズム、ニューラル・ネットワーク・アーキテクチャ、ユース・ケース、又は訓練技法を実行するためのグラフィックス・プロセッサ２９００のＡＬＵを構成するオン・チップ若しくはオフ・チップのメモリ及び／又はレジスタ（図示している又は図示せず）に記憶されてもよい。
【0403】
少なくとも一実施例では、図２９に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図２９に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図２９に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0404】
図３０Ａ～図３０Ｂは、少なくとも一実施例による、グラフィックス・プロセッサ・コアの処理要素のアレイを含むスレッド実行論理３０００を示す。図３０Ａは、スレッド実行論理３０００が使用される少なくとも一実施例を示す。図３０Ｂは、少なくとも一実施例による、グラフィックス実行ユニット３００８の例示的な内側細部を示す図である。
【0405】
図３０Ａに示すように、少なくとも一実施例では、スレッド実行論理３０００は、シェーダ・プロセッサ３００２、スレッド・ディスパッチャ３００４、命令キャッシュ３００６、複数の実行ユニット３００７Ａ～３００７Ｎ、３００８Ａ～３００８Ｎを含むスケーラブル実行ユニット・アレイ、サンプラ３０１０、データ・キャッシュ３０１２、及びデータ・ポート３０１４を含む。少なくとも一実施例では、スケーラブル実行ユニット・アレイは、１つ又は複数の実行ユニット（たとえば、実行ユニット３００８Ａ～Ｎ又は３００７Ａ～Ｎのうちのいずれか）を、たとえばワークロードの計算要件に基づき有効又は無効にすることによって、動的に拡大縮小することができる。少なくとも一実施例では、スケーラブル実行ユニットは、実行ユニットのそれぞれにリンクされる相互接続ファブリックを介して相互接続される。少なくとも一実施例では、スレッド実行論理３０００は、命令キャッシュ３００６、データ・ポート３０１４、サンプラ３０１０、及び実行ユニット３００７又は３００８のうちの１つ又は複数を介した、システム・メモリ又はキャッシュ・メモリなどのメモリへの１つ又は複数の接続を含む。少なくとも一実施例では、各実行ユニット（たとえば、３００７Ａ）は、スレッドごとに複数のデータ要素を並列で処理しながら、複数の同時のハードウェア・スレッドを実行することができるスタンドアロンのプログラム可能な汎用計算ユニットである。少なくとも一実施例では、実行ユニット３００７及び／又は３００８のアレイは、任意の数の個々の実行ユニットを含むように拡大縮小可能である。
【0406】
少なくとも一実施例では、実行ユニット３００７及び／又は３００８は、シェーダ・プログラムを実行するために主に使用される。少なくとも一実施例では、シェーダ・プロセッサ３００２は、様々なシェーダ・プログラムを処理し、シェーダ・プログラムに関連付けられた実行スレッドを、スレッド・ディスパッチャ３００４を介してディスパッチすることができる。少なくとも一実施例では、スレッド・ディスパッチャ３００４は、グラフィックス及びメディア・パイプラインからのスレッド開始要求を調停し、要求されたスレッドを、実行ユニット３００７及び／又は３００８の１つ又は複数の実行ユニット上でインスタンス化するための論理を含む。たとえば、少なくとも一実施例では、ジオメトリ・パイプラインは、頂点シェーダ、モザイク・シェーダ、又はジオメトリ・シェーダを、処理できるようにスレッド実行論理にディスパッチすることができる。少なくとも一実施例では、スレッド・ディスパッチャ３００４はまた、実行しているシェーダ・プログラムからのランタイム・スレッド・スポーニング要求（ｓｐａｗｎｉｎｇ ｒｅｑｕｅｓｔ）を処理することができる。
【0407】
少なくとも一実施例では、実行ユニット３００７及び／又は３００８は、多くの標準的な３Ｄグラフィックス・シェーダ命令のネイティブ・サポートを含む命令セットをサポートし、それにより、グラフィックス・ライブラリ（たとえば、Ｄｉｒｅｃｔ ３Ｄ及びＯｐｅｎＧＬ）からのシェーダ・プログラムが、最小のトランスレーションで実行される。少なくとも一実施例では、実行ユニットは、頂点及びジオメトリの処理（たとえば、頂点プログラム、ジオメトリ・プログラム、及び／又は頂点シェーダ）、ピクセル処理（たとえば、ピクセル・シェーダ、フラグメント・シェーダ）、及び汎用処理（たとえば、コンピュート及びメディアのシェーダ）をサポートする。少なくとも一実施例では、１つ又は複数の算術論理演算ユニット（ＡＬＵ）を含む実行ユニット３００７及び／又は３００８のそれぞれは、単一命令複数データ（ＳＩＭＤ）の実行を複数発行することができ、マルチスレッド化された動作によって、メモリ・アクセスのレイテンシが高いにもかかわらず、効率的な実行環境が可能になる。少なくとも一実施例では、各実行ユニット内の各ハードウェア・スレッドは、専用の高帯域幅レジスタ・ファイル及び関連する独立したスレッド状態を有する。少なくとも一実施例では、実行は、整数演算、単精度及び倍精度の浮動小数点演算、ＳＩＭＤブランチ性能、論理演算、超越演算、及び他の種々の演算を行うことができるパイプラインに対して、クロック当たり複数発行される。少なくとも一実施例では、メモリ、又は共有機能のうちの１つからのデータを待機している間に、実行ユニット３００７及び／又は３００８内の従属論理は、要求したデータが戻されるまで、待機スレッドをスリープ状態にする。少なくとも一実施例では、待機スレッドがスリープ状態の間に、ハードウェア・リソースは他のスレッドの処理に専念してもよい。たとえば、少なくとも一実施例では、頂点シェーダ動作に関連する遅延中に、実行ユニットは、ピクセル・シェーダ、フラグメント・シェーダ、又は異なる頂点シェーダを含む別のタイプのシェーダ・プログラムのための動作を実行することができる。
【0408】
少なくとも一実施例では、実行ユニット３００７及び／又は３００８の各実行ユニットは、データ要素のアレイに対して動作する。少なくとも一実施例では、データ要素の数は「実行サイズ」であり、又は命令に対するチャネルの数である。少なくとも一実施例では、実行チャネルは、データ要素のアクセス、マスキング、及び命令内のフロー制御に関する実行の論理ユニットである。少なくとも一実施例では、チャネルの数は、特定のグラフィックス・プロセッサのための物理的な算術論理演算ユニット（ＡＬＵ）又は浮動小数点ユニット（ＦＰＵ）の数とは無関係であってもよい。少なくとも一実施例では、実行ユニット３００７及び／又は３００８は、整数及び浮動小数点のデータ・タイプをサポートしてもよい。
【0409】
少なくとも一実施例では、実行ユニット命令セットは、ＳＩＭＤ命令を含む。少なくとも一実施例では、様々なデータ要素が、パック・データ・タイプとしてレジスタに記憶されてもよく、実行ユニットは、要素のデータ・サイズに基づき様々な要素を処理する。たとえば、少なくとも一実施例では、２５６ビット幅ベクトルで動作しているとき、ベクトルの２５６ビットがレジスタに記憶され、実行ユニットは、４個の別々の６４ビット・パック・データ要素（クワッド・ワード（ＱＷ：Ｑｕａｄ－Ｗｏｒｄ）サイズのデータ要素）、８個の別々の３２ビット・パック・データ要素（ダブル・ワード（ＤＷ：Ｄｏｕｂｌｅ Ｗｏｒｄ）サイズのデータ要素）、１６個の別々の１６ビット・パック・データ要素（ワード（Ｗ：Ｗｏｒｄ）サイズのデータ要素）、又は３２個の別々の８ビット・データ要素（バイト（Ｂ：ｂｙｔｅ）サイズのデータ要素）としてベクトル上で動作する。しかし少なくとも一実施例では、異なるベクトル幅及びレジスタサイズが考えられる。
【0410】
少なくとも一実施例では、実行ユニット３００７Ａを実行ユニット３００８Ａと融合して融合実行ユニット３００９Ａにするなど、１つ又は複数の実行ユニットを組み合わせて、融合ＥＵに共通のスレッド制御論理（３０１１Ａ～３０１１Ｎ）を有する融合実行ユニット３００９Ａ～３００９Ｎにすることができる。少なくとも一実施例では、複数のＥＵを融合して、ＥＵグループにすることができる。少なくとも一実施例では、融合ＥＵグループの各ＥＵは、融合ＥＵグループのＥＵの数が、様々な実施例に応じて異なっている可能性がある状態で、別々のＳＩＭＤハードウェア・スレッドを実行するように構成されることが可能である。少なくとも一実施例では、ＳＩＭＤ８、ＳＩＭＤ１６、及びＳＩＭＤ３２を含むがこれに限定されない様々なＳＩＭＤ幅を、ＥＵごとに実行することができる。少なくとも一実施例では、各融合グラフィックス実行ユニット３００９Ａ～３００９Ｎは、少なくとも２つの実行ユニットを含む。たとえば、少なくとも一実施例では、融合実行ユニット３００９Ａは、第１のＥＵ３００７Ａ、第２のＥＵ３００８Ａ、及び第１のＥＵ３００７Ａと第２のＥＵ３００８Ａに共通のスレッド制御論理３０１１Ａを含む。少なくとも一実施例では、スレッド制御論理３０１１Ａは、融合グラフィックス実行ユニット３００９Ａで実行されているスレッドを制御して、融合実行ユニット３００９Ａ～３００９Ｎ内の各ＥＵを、共通の命令ポインタ・レジスタを使用して実行できるようにする。
【0411】
少なくとも一実施例では、１つ又は複数の内部命令キャッシュ（たとえば、３００６）は、実行ユニットに対するスレッド命令をキャッシュするためにスレッド実行論理３０００に含まれる。少なくとも一実施例では、１つ又は複数のデータ・キャッシュ（たとえば、３０１２）は、スレッド実行中にスレッド・データをキャッシュするために含まれる。少なくとも一実施例では、サンプラ３０１０は、３Ｄ動作のためのテクスチャ・サンプリング、及びメディア動作のためのメディア・サンプリングを提供するために含まれる。少なくとも一実施例では、サンプラ３０１０は、特別なテクスチャ又はメディア・サンプリング機能を含み、サンプリングされたデータを実行ユニットに提供する前に、サンプリング処理中にテクスチャ又はメディアのデータを処理する。
【0412】
実行中、少なくとも一実施例では、グラフィックス及びメディア・パイプラインは、スレッド開始要求を、スレッド・スポーニング及びディスパッチ論理を介してスレッド実行論理３０００に送る。少なくとも一実施例では、幾何学的物体のグループが処理され、ピクセル・データにラスタ化されたら、シェーダ・プロセッサ３００２内のピクセル・プロセッサ論理（たとえば、ピクセル・シェーダ論理、フラグメント・シェーダ論理など）が呼び出されて、出力情報をさらにコンピュートし、結果を出力面（たとえば、色バッファ、深度バッファ、ステンシル・バッファなど）に書き込ませる。少なくとも一実施例では、ピクセル・シェーダ又はフラグメント・シェーダは、ラスタ化された物体間で補間されることになる様々な頂点属性の値を計算する。少なくとも一実施例では、次いで、シェーダ・プロセッサ３００２内のピクセル・プロセッサ論理が、アプリケーション・プログラミング・インターフェース（ＡＰＩ）付きのピクセル・シェーダ・プログラム又はフラグメント・シェーダ・プログラムを実行する。少なくとも一実施例では、シェーダ・プログラムを実行するために、シェーダ・プロセッサ３００２は、スレッド・ディスパッチャ３００４を介してスレッドを実行ユニット（たとえば、３００８Ａ）にディスパッチする。少なくとも一実施例では、シェーダ・プロセッサ３００２は、サンプラ３０１０のテクスチャ・サンプリング論理を使用して、メモリに記憶されたテクスチャ・マップのテクスチャ・データにアクセスする。少なくとも一実施例では、テクスチャ・データ及び入力ジオメトリ・データに対する算術演算によって、各ジオメトリ・フラグメントのピクセル色データがコンピュートされ、又はさらに処理されないように１つ又は複数のピクセルが切り捨てられる。
【0413】
少なくとも一実施例では、データ・ポート３０１４は、スレッド実行論理３０００のためのメモリ・アクセス機構を提供して、処理済みデータを、グラフィックス・プロセッサ出力パイプラインでさらに処理できるようにメモリに出力する。少なくとも一実施例では、データ・ポート３０１４は、１つ又は複数のキャッシュ・メモリ（たとえば、データ・キャッシュ３０１２）を含み、又はそれに結合されて、データ・ポートを介したメモリ・アクセスのためのデータをキャッシュする。
【0414】
図３０Ｂに示してあるように、少なくとも一実施例では、グラフィック実行ユニット３００８は、命令フェッチ・ユニット３０３７、汎用レジスタ・ファイル・アレイ（ＧＲＦ：ｇｅｎｅｒａｌ ｒｅｇｉｓｔｅｒ ｆｉｌｅ ａｒｒａｙ）３０２４、アーキテクチャ・レジスタ・ファイル・アレイ（ＡＲＦ）３０２６、スレッド調停装置（ａｒｂｉｔｅｒ）３０２２、送信ユニット３０３０、ブランチ・ユニット３０３２、ＳＩＭＤ浮動小数点ユニット（ＦＰＵ）３０３４のセット、及び専用整数ＳＩＭＤ ＡＬＵ３０３５のセットを含むことができる。少なくとも一実施例では、ＧＲＦ３０２４及びＡＲＦ３０２６は、各同時ハードウェア・スレッドに関連付けられた汎用レジスタ・ファイルとアーキテクチャ・レジスタ・ファイルのセットを含み、このハードウェア・スレッドは、グラフィックス実行ユニット３００８においてアクティブであってもよい。少なくとも一実施例では、スレッドごとのアーキテクチャ状態が、ＡＲＦ３０２６において維持され、スレッド実行中に使用されるデータが、ＧＲＦ３０２４に記憶される。少なくとも一実施例では、各スレッドに対する命令ポインタを含む各スレッドの実行状態は、ＡＲＦ３０２６のスレッド専用レジスタに保持することが可能である。
【0415】
少なくとも一実施例では、グラフィックス実行ユニット３００８は、同時マルチスレッディング（ＳＭＴ：Ｓｉｍｕｌｔａｎｅｏｕｓ Ｍｕｌｔｉ－Ｔｈｒｅａｄｉｎｇ）と微細化インターリーブ・マルチスレッディング（ＩＭＴ：Ｉｎｔｅｒｌｅａｖｅｄ Ｍｕｌｔｉ－Ｔｈｒｅａｄｉｎｇ）の組合せであるアーキテクチャを有する。少なくとも一実施例では、アーキテクチャは、実行ユニット当たりの同時スレッドのターゲット数及びレジスタ数に基づき設計時に微調整することができるモジュール式構成を有し、ここで実行ユニットのリソースは、複数の同時スレッドを実行するために使用される論理にわたって分割される。
【0416】
少なくとも一実施例では、グラフィックス実行ユニット３００８は複数の命令を共同発行することができ、この命令は、それぞれ異なる命令であってもよい。少なくとも一実施例では、グラフィックス実行ユニット・スレッド３００８のスレッド調停装置３０２２は、送信ユニット３０３０、ブランチ・ユニット３０３２、又はＳＩＭＤ ＦＰＵ３０３４のうちの１つに命令をディスパッチして実行できるようにすることができる。少なくとも一実施例では、各実行スレッドは、ＧＲＦ３０２４内の１２８個の汎用レジスタにアクセスすることができ、ここで各レジスタは、３２ビットのデータ要素のＳＩＭＤ８要素のベクトルとしてアクセス可能な３２バイトを記憶することができる。少なくとも一実施例では、各実行ユニット・スレッドは、ＧＲＦ３０２４内の４キロバイトにアクセスすることができるが、実施例はこのように限定されず、他の実施例ではより多くの、又はより少ないリソースが提供されてもよい。少なくとも一実施例では、最大７個のスレッドを同時に実行できるが、実行ユニット当たりのスレッド数も、実施例に応じて変えることができる。７個のスレッドが４キロバイトにアクセスできる少なくとも一実施例では、ＧＲＦ３０２４は、合計２８キロバイトを記憶することができる。少なくとも一実施例では、フレキシブルなアドレッシング・モードにより、複数のレジスタがともにアドレスされて効果的により幅広いレジスタを構築したり、ストライド設定された矩形ブロック・データ構造を表したりできるようにすることができる。
【0417】
少なくとも一実施例では、メモリ動作、サンプラ動作、及び他のレイテンシの長いシステム通信は、メッセージ引渡し送信ユニット３０３０によって実行される「送信」命令を介してディスパッチされる。少なくとも一実施例では、ブランチ命令は、ＳＩＭＤの発散及び最終的な収束を容易にするために、ブランチ・ユニット３０３２にディスパッチされる。
【0418】
少なくとも一実施例では、グラフィックス実行ユニット３００８は、浮動小数点演算を実行するための１つ又は複数のＳＩＭＤ浮動小数点ユニット（ＦＰＵ）３０３４を含む。少なくとも一実施例では、ＦＰＵ３０３４は、整数計算もサポートする。少なくとも一実施例では、ＦＰＵ３０３４は、最大Ｍ個の３２ビット浮動小数点（若しくは整数）演算をＳＩＭＤで実行し、又は最大で２Ｍ個の１６ビット整数演算、若しくは１６ビット浮動小数点演算をＳＩＭＤで実行することができる。少なくとも一実施例では、少なくとも１つのＦＰＵは、拡張数理機能を提供して、高スループットの超越数理関数、及び倍精度の６４ビット浮動小数点をサポートする。少なくとも一実施例では、８ビットの整数ＳＩＭＤ ＡＬＵ３０３５のセットも存在し、機械学習計算に関連する動作を実行するように特に最適化されてもよい。
【0419】
少なくとも一実施例では、グラフィックス実行ユニット３００８の複数のインスタンスのアレイが、グラフィックス・サブ・コア・グループ（たとえば、サブ・スライス）においてインスタンス化されてもよい。少なくとも一実施例では、実行ユニット３００８は、複数の実行チャネルにわたって命令を実行することができる。少なくとも一実施例では、グラフィックス実行ユニット３００８で実行される各スレッドは、異なるチャネルで実行される。
【0420】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、推論及び／又は訓練論理６１５の一部又はすべてが、スレッド実行論理３０００に組み込まれてもよい。さらに、少なくとも一実施例では、本明細書に記載の推論及び／又は訓練の動作は、図６Ａ又は図６Ｂに示す論理以外の論理を使用して行われてもよい。少なくとも一実施例では、重みパラメータは、本明細書に記載の１つ又は複数の機械学習アルゴリズム、ニューラル・ネットワーク・アーキテクチャ、ユース・ケース、又は訓練技法を実行するための実行論理３０００のＡＬＵスレッドを構成するオン・チップ若しくはオフ・チップのメモリ及び／又はレジスタ（図示する又は図示せず）に記憶されてもよい。
【0421】
少なくとも一実施例では、図３０Ｂに描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図３０Ｂに描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図３０Ｂに描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0422】
図３１は、少なくとも一実施例による並列処理ユニット（「ＰＰＵ」）３１００を示す。少なくとも一実施例では、ＰＰＵ３１００は、ＰＰＵ３１００によって実行された場合に、本開示全体を通して記載するプロセス及び技法の一部又はすべてを、ＰＰＵ３１００に実行させる機械可読コードで構成される。少なくとも一実施例では、ＰＰＵ３１００はマルチスレッド・プロセッサであり、このプロセッサは、１つ又は複数の集積回路デバイスに実装され、コンピュータ可読命令（機械可読命令若しくは単に命令とも呼ばれる）を、複数のスレッドで並列に処理するように設計されたレイテンシ隠蔽技法としてマルチスレッディングを利用する。少なくとも一実施例では、スレッドとは、実行スレッドを指し、ＰＰＵ３１００によって実行されるように構成された命令のセットをインスタンス化したものである。少なくとも一実施例では、ＰＰＵ３１００は、液晶ディスプレイ（「ＬＣＤ」）デバイスなどのディスプレイ・デバイスに表示できるように２次元（「２Ｄ」）画像データを生成するために、３次元（「３Ｄ」）グラフィックス・データを処理するためのグラフィックス・レンダリング・パイプラインを実装するように構成されたグラフィックス・プロセッシング・ユニット（「ＧＰＵ」）である。少なくとも一実施例では、ＰＰＵ３１００を利用して、線形代数演算及び機械学習演算などの計算が実行される。図３１は、単に例示を目的とした例示的な並列プロセッサを示しており、本開示の範囲内で企図されるプロセッサ・アーキテクチャの非限定的な例として解釈されるべきであり、同プロセッサに追加するため、且つ／又はそれを置き換えるために、任意の好適なプロセッサが利用されてもよいことが解釈されるべきである。
【0423】
少なくとも一実施例では、１つ又は複数のＰＰＵ３１００は、高性能コンピューティング（「ＨＰＣ」：Ｈｉｇｈ Ｐｅｒｆｏｒｍａｎｃｅ Ｃｏｍｐｕｔｉｎｇ）、データ・センタ、及び機械学習のアプリケーションを加速するように構成される。少なくとも一実施例では、ＰＰＵ３１００は、以下の非限定的な例を含む深層学習システム及びアプリケーションを加速するように構成される：自律車両プラットフォーム、深層学習、高精度音声、画像、テキスト認識システム、インテリジェント・ビデオ分析、分子シミュレーション、創薬、病気診断、天気予報、ビッグ・データ分析、天文学、分子動態シミュレーション、金融モデリング、ロボット工学、工場自動化、リアル・タイム言語翻訳、オンライン検索最適化、及び個別化ユーザ推奨など。
【0424】
少なくとも一実施例では、ＰＰＵ３１００は、限定することなく、入力／出力（「Ｉ／Ｏ」）ユニット３１０６、フロント・エンド・ユニット３１１０、スケジューラ・ユニット３１１２、ワーク分配ユニット３１１４、ハブ３１１６、クロスバー（「Ｘｂａｒ」：ｃｒｏｓｓｂａｒ）３１２０、１つ又は複数の汎用処理クラスタ（「ＧＰＣ」）３１１８、及び１つ又は複数のパーティション・ユニット（「メモリ・パーティション・ユニット」）３１２２を含む。少なくとも一実施例では、ＰＰＵ３１００は、１つ又は複数の高速ＧＰＵ相互接続（「ＧＰＵ相互接続」）３１０８を介してホスト・プロセッサ又は他のＰＰＵ３１００に接続される。少なくとも一実施例では、ＰＰＵ３１００は、システム・バス３１０２を介してホスト・プロセッサ又は他の周辺デバイスに接続される。少なくとも一実施例では、ＰＰＵ３１００は、１つ又は複数のメモリ・デバイス（「メモリ」）３１０４を備えるローカル・メモリに接続される。少なくとも一実施例では、メモリ・デバイス３１０４は、限定することなく、１つ又は複数のダイナミック・ランダム・アクセス・メモリ（「ＤＲＡＭ」）デバイスを含む。少なくとも一実施例では、１つ又は複数のＤＲＡＭデバイスは、複数のＤＲＡＭダイが各デバイス内で積層された高帯域幅メモリ（「ＨＢＭ」）サブシステムとして構成されても、且つ／又は構成可能であってもよい。
【0425】
少なくとも一実施例では、高速ＧＰＵ相互接続３１０８は、有線ベースのマルチ・レーン通信リンクを指してもよく、このリンクは、拡張縮小するためにシステムによって使用され、１つ又は複数の中央処理装置（「ＣＰＵ」）と組み合わされた１つ又は複数のＰＰＵ３１００を含み、ＰＰＵ３１００とＣＰＵとの間のキャッシュ・コヒーレンス、及びＣＰＵマスタリングをサポートする。少なくとも一実施例では、データ及び／又はコマンドは、高速ＧＰＵ相互接続３１０８により、ハブ３１１６を介して、１つ又は複数のコピー・エンジン、ビデオ・エンコーダ、ビデオ・デコーダ、電力管理ユニット、及び図３１に明示されていないこともある他の構成要素などのＰＰＵ３１００の別のユニットに／から送信される。
【0426】
少なくとも一実施例では、Ｉ／Ｏユニット３１０６は、システム・バス３１０２を介してホスト・プロセッサ（図３１には示さず）から通信（たとえば、コマンド、データ）を送受信するように構成される。少なくとも一実施例では、Ｉ／Ｏユニット３１０６は、システム・バス３１０２を介して直接、又は１つ若しくは複数の、メモリ・ブリッジなどの中間デバイスを介して、ホスト・プロセッサと通信する。少なくとも一実施例では、Ｉ／Ｏユニット３１０６は、システム・バス３１０２を介してＰＰＵ３１００のうちの１つ又は複数などの１つ又は複数の他のプロセッサと通信してもよい。少なくとも一実施例では、Ｉ／Ｏユニット３１０６は、ペリフェラル・コンポーネント・インターコネクト・エクスプレス（「ＰＣＩｅ」）インターフェースを実装して、ＰＣＩｅバスを介して通信できるようにする。少なくとも一実施例では、Ｉ／Ｏユニット３１０６は、外部デバイスと通信するためのインターフェースを実装する。
【0427】
少なくとも一実施例では、Ｉ／Ｏユニット３１０６は、システム・バス３１０２を介して受信したパケットをデコードする。少なくとも一実施例では、少なくともいくつかのパケットは、ＰＰＵ３１００に様々な動作を実行させるように構成されたコマンドを表す。少なくとも一実施例では、Ｉ／Ｏユニット３１０６は、デコードされたコマンドを、コマンドによって指定されるＰＰＵ３１００の様々な他のユニットに送信する。少なくとも一実施例では、コマンドは、フロント・エンド・ユニット３１１０に送信され、且つ／又はハブ３１１６、若しくは（図３１には明示していない）１つ若しくは複数のコピー・エンジン、ビデオ・エンコーダ、ビデオ・デコーダ、電力管理ユニットなどのＰＰＵ３１００の他のユニットに送信される。少なくとも一実施例では、Ｉ／Ｏユニット３１０６はＰＰＵ３１００の様々な論理ユニット間で、通信をルーティングするように構成される。
【0428】
少なくとも一実施例では、ホスト・プロセッサによって実行されるプログラムは、ワークロードをＰＰＵ３１００に提供して処理できるようにするバッファにおいて、コマンド・ストリームをエンコードする。少なくとも一実施例では、ワークロードは、命令と、これらの命令によって処理されることになるデータとを含む。少なくとも一実施例では、バッファは、ホスト・プロセッサとＰＰＵ３１００の両方がアクセス（たとえば、読取り／書込み）可能なメモリ内の領域であり、ホスト・インターフェース・ユニットは、Ｉ／Ｏユニット３１０６によってシステム・バス３１０２を介して送信されるメモリ要求を介して、システム・バス３１０２に接続されたシステム・メモリ内のバッファにアクセスするように構成されてもよい。少なくとも一実施例では、ホスト・プロセッサは、バッファにコマンド・ストリームを書き込み、次いでコマンド・ストリームの開始点を指すポインタをＰＰＵ３１００に送信し、それによりフロント・エンド・ユニット３１１０は、１つ又は複数のコマンド・ストリームを指すポインタを受信し、１つ又は複数のコマンド・ストリームを管理して、コマンド・ストリームからコマンドを読み取り、コマンドをＰＰＵ３１００の様々なユニットに転送する。
【0429】
少なくとも一実施例では、フロント・エンド・ユニット３１１０は、１つ又は複数のコマンド・ストリームによって定義されるタスクを処理するように様々なＧＰＣ３１１８を構成するスケジューラ・ユニット３１１２に結合される。少なくとも一実施例では、スケジューラ・ユニット３１１２は、スケジューラ・ユニット３１１２によって管理される様々タスクに関連する状態情報を追跡するように構成され、ここで状態情報は、どのＧＰＣ３１１８にタスクが割り当てられるか、タスクがアクティブか非アクティブか、タスクに関連付けられた優先レベルなどを示してもよい。少なくとも一実施例では、スケジューラ・ユニット３１１２は、ＧＰＣ３１１８のうちの１つ又は複数において、複数のタスクの実行を管理する。
【0430】
少なくとも一実施例では、スケジューラ・ユニット３１１２は、ＧＰＣ３１１８で実行するためのタスクをディスパッチするように構成されたワーク分配ユニット３１１４に結合される。少なくとも一実施例では、ワーク分配ユニット３１１４は、スケジューラ・ユニット３１１２から受信したスケジュール済みタスクの数を追跡し、ワーク分配ユニット３１１４は、ＧＰＣ３１１８のそれぞれについて、ペンディング・タスク・プール、及びアクティブ・タスク・プールを管理する。少なくとも一実施例では、ペンディング・タスク・プールは、特定のＧＰＣ３１１８によって処理されるように割り当てられたタスクを含むいくつかのスロット（たとえば、３２スロット）を備え、アクティブ・タスク・プールは、ＧＰＣ３１１８によりアクティブに処理されているタスクのためのいくつかのスロット（たとえば、４スロット）を備え、それにより、ＧＰＣ３１１８のうちの１つがタスクの実行を完了すると、ＧＰＣ３１１８のアクティブ・タスク・プールからそのタスクが排除され、ペンディング・タスク・プールからの他のタスクが選択され、ＧＰＣ３１１８で実行されるようにスケジューリングされる。少なくとも一実施例では、データ依存性が解決されるのを待機している間など、アクティブ・タスクがＧＰＣ３１１８上でアイドルである場合には、アクティブ・タスクがＧＰＣ３１１８から排除され、ペンディング・タスク・プールに戻され、その間に、ペンディング・タスク・プールの別のタスクが選択され、ＧＰＣ３１１８で実行されるようにスケジューリングされる。
【0431】
少なくとも一実施例では、ワーク分配ユニット３１１４は、ＸＢａｒ３１２０を介して１つ又は複数のＧＰＣ３１１８と通信する。少なくとも一実施例では、ＸＢａｒ３１２０は、ＰＰＵ３１００のユニットのうちの多くを、ＰＰＵ３１００の別のユニットに結合する相互接続ネットワークであり、ワーク分配ユニット３１１４を特定のＧＰＣ３１１８に結合するように構成されることが可能である。少なくとも一実施例では、ＰＰＵ３１００の１つ又は複数の他のユニットも、ハブ３１１６を介してＸＢａｒ３１２０に接続されてもよい。
【0432】
少なくとも一実施例では、タスクはスケジューラ・ユニット３１１２によって管理され、ワーク分配ユニット３１１４によってＧＰＣ３１１８のうちの１つにディスパッチされる。少なくとも一実施例では、ＧＰＣ３１１８は、タスクを処理し、結果を生成するように構成される。少なくとも一実施例では、結果は、ＧＰＣ３１１８内の他のタスクによって消費されてもよく、ＸＢａｒ３１２０を介して異なるＧＰＣ３１１８にルーティングされてもよく、又はメモリ３１０４に記憶されてもよい。少なくとも一実施例では、結果を、パーティション・ユニット３１２２を介してメモリ３１０４に書き込むことができ、パーティション・ユニット３１２２は、メモリ３１０４への／からのデータの読取り及び書込みを行うためのメモリ・インターフェースを実装する。少なくとも一実施例では、結果を、高速ＧＰＵ相互接続３１０８を介して別のＰＰＵ又はＣＰＵに送信することができる。少なくとも一実施例では、図３３と併せて本明細書でさらに詳細に説明されるように、ＰＰＵ３１００は、ＰＰＵ３１００に結合された別々の個別メモリ・デバイス３１０４の数に等しいＵ個のパーティション・ユニット３１２２を、限定することなく含む。
【0433】
少なくとも一実施例では、ホスト・プロセッサはドライバ・カーネルを実行し、このカーネルは、ホスト・プロセッサで実行されている１つ又は複数のアプリケーションがＰＰＵ３１００で実行するための動作をスケジューリングできるようにするアプリケーション・プログラミング・インターフェース（ＡＰＩ）を実装している。少なくとも一実施例では、複数のコンピュート・アプリケーションが、ＰＰＵ３１００によって同時に実行され、ＰＰＵ３１００は、複数のコンピュート・アプリケーションに対して、隔離、サービス品質（「ＱｏＳ」：ｑｕａｌｉｔｙ ｏｆ ｓｅｒｖｉｃｅ）、及び独立したアドレス空間を提供する。少なくとも一実施例では、アプリケーションは、ＰＰＵ３１００によって実行するための１つ又は複数のタスクをドライバ・カーネルに生成させる（たとえば、ＡＰＩコールの形の）命令を生成し、ドライバ・カーネルは、ＰＰＵ３１００によって処理されている１つ又は複数のストリームにタスクを出力する。少なくとも一実施例では、各タスクは、ワープと呼ばれてもよい関連スレッドの１つ又は複数のグループを備える。少なくとも一実施例では、ワープは、並列に実行することができる複数の関連スレッド（たとえば、３２個のスレッド）を備える。少なくとも一実施例では、連動スレッドとは、タスクを実行するための命令を含み、共有メモリを介してデータを交換する複数のスレッドを指してもよい。少なくとも一実施例では、スレッド及び連動スレッドは、図３３と併せてさらに詳細に説明される。
【0434】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、深層学習アプリケーション・プロセッサは、ＰＰＵ３１００に提供される情報を予測又は推論するようにニューラル・ネットワークなどの機械学習モデルを訓練するために使用される。少なくとも一実施例では、深層学習アプリケーション・プロセッサは、別のプロセッサ若しくはシステムによって、又はＰＰＵ３１００によって訓練されてきた訓練済み機械学習モデル（たとえば、ニューラル・ネットワーク）に基づき、情報を推論又は予測するために使用される。少なくとも一実施例では、ＰＰＵ３１００は、本明細書に記載の１つ又は複数のニューラル・ネットワークのユース・ケースを実行するために使用されてもよい。
【0435】
少なくとも一実施例では、図３１に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図３１に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図３１に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0436】
図３２は、少なくとも一実施例による汎用処理クラスタ（「ＧＰＣ」）３２００を示す。少なくとも一実施例では、ＧＰＣ３２００は、図３１のＧＰＣ３１１８である。少なくとも一実施例では、各ＧＰＣ３２００は、限定することなく、タスクを処理するためのいくつかのハードウェア・ユニットを含み、各ＧＰＣ３２００は、限定することなく、パイプライン・マネージャ３２０２、プレ・ラスタ演算ユニット（「プレＲＯＰ」：ｐｒｅ－ｒａｓｔｅｒ ｏｐｅｒａｔｉｏｎｓ ｕｎｉｔ）３２０４、ラスタ・エンジン３２０８、ワーク分配クロスバー（「ＷＤＸ」：ｗｏｒｋ ｄｉｓｔｒｉｂｕｔｉｏｎ ｃｒｏｓｓｂａｒ）３２１６、メモリ管理ユニット（「ＭＭＵ」）３２１８、１つ又は複数のデータ処理クラスタ（「ＤＰＣ」：Ｄａｔａ Ｐｒｏｃｅｓｓｉｎｇ Ｃｌｕｓｔｅｒｓ）３２０６、及びパーツの任意の好適な組合せを含む。
【0437】
少なくとも一実施例では、ＧＰＣ３２００の動作は、パイプライン・マネージャ３２０２によって制御される。少なくとも一実施例では、パイプライン・マネージャ３２０２は、ＧＰＣ３２００に配分されたタスクを処理するために１つ又は複数のＤＰＣ３２０６の構成を管理する。少なくとも一実施例では、パイプライン・マネージャ３２０２は、グラフィックス・レンダリング・パイプラインの少なくとも一部分を実装するように、１つ又は複数のＤＰＣ３２０６のうちの少なくとも１つを構成する。少なくとも一実施例では、ＤＰＣ３２０６は、プログラム可能なストリーミング・マルチプロセッサ（「ＳＭ」：ｓｔｒｅａｍｉｎｇ ｍｕｌｔｉ－ｐｒｏｃｅｓｓｏｒ）３２１４で頂点シェーダ・プログラムを実行するように構成される。少なくとも一実施例では、パイプライン・マネージャ３２０２は、少なくとも一実施例では、ワーク分配ユニットから受信したパケットを、ＧＰＣ３２００内の適切な論理ユニットにルーティングするように構成され、いくつかのパケットは、プレＲＯＰ３２０４の固定機能ハードウェア・ユニット及び／又はラスタ・エンジン３２０８にルーティングされてもよく、他のパケットは、プリミティブ・エンジン３２１２又はＳＭ３２１４によって処理されるようにＤＰＣ３２０６にルーティングされてもよい。少なくとも一実施例では、パイプライン・マネージャ３２０２は、ニューラル・ネットワーク・モデル及び／又はコンピューティング・パイプラインを実装するように、ＤＰＣ３２０６のうちの少なくとも１つを構成する。
【0438】
少なくとも一実施例では、プレＲＯＰユニット３２０４は、少なくとも一実施例では、ラスタ・エンジン３２０８及びＤＰＣ３２０６によって生成されたデータを、図３１と併せて上でより詳細に説明したパーティション・ユニット３１２２のラスタ動作（ＲＯＰ）ユニットにルーティングするように構成される。少なくとも一実施例では、プレＲＯＰユニット３２０４は、色ブレンディングの最適化を実行し、ピクセル・データを組織化し、アドレス・トランスレーションを実行し、その他の動作を行うように構成される。少なくとも一実施例では、ラスタ・エンジン３２０８は、少なくとも一実施例では様々なラスタ動作を実行するように構成されたいくつかの固定機能ハードウェア・ユニットを、限定することなく含み、ラスタ・エンジン３２０８は、限定することなく、セットアップ・エンジン、粗いラスタ・エンジン、選別エンジン、クリッピング・エンジン、細かいラスタ・エンジン、タイル合体エンジン、及びこれらの任意の好適な組合せを含む。少なくとも一実施例では、セットアップ・エンジンは、変換された頂点を受信し、頂点によって定義された幾何プリミティブに関連付けられた平面方程式を生成し、平面方程式が、粗いラスタ・エンジンに送信されて、プリミティブに対するカバレッジ情報（たとえば、タイルのｘ、ｙカバレッジ・マスク）が生成され、粗いラスタ・エンジンの出力が、選別エンジンに送信され、ここでｚテストに落ちたプリミティブに関連付けられたフラグメントが選別され、クリッピング・エンジンに送信され、ここで視錐台の外側にあるフラグメントがクリップされる。少なくとも一実施例では、クリッピング及び選別を通過したフラグメントは、細かいラスタ・エンジンに渡されて、セットアップ・エンジンによって生成された平面方程式に基づき、ピクセル・フラグメントに対する属性が生成される。少なくとも一実施例では、ラスタ・エンジン３２０８の出力は、ＤＰＣ３２０６内に実装されたフラグメント・シェーダによってなど任意の好適なエンティティによって処理されることになるフラグメントを含む。
【0439】
少なくとも一実施例では、ＧＰＣ３２００に含まれる各ＤＰＣ３２０６は、限定することなく、Ｍパイプ・コントローラ（「ＭＰＣ」：Ｍ－Ｐｉｐｅ Ｃｏｎｔｒｏｌｌｅｒ）３２１０、プリミティブ・エンジン３２１２、１つ又は複数のＳＭ３２１４、及びこれらの任意の好適な組合せを含む。少なくとも一実施例では、ＭＰＣ３２１０は、ＤＰＣ３２０６の動作を制御して、パイプライン・マネージャ３２０２から受信したパケットを、ＤＰＣ３２０６内の適切なユニットにルーティングする。少なくとも一実施例では、頂点に関連付けられたパケットは、頂点に関連付けられた頂点属性をメモリからフェッチするように構成されたプリミティブ・エンジン３２１２にルーティングされ、対照的に、シェーダ・プログラムに関連付けられたパケットは、ＳＭ３２１４に送信されてもよい。
【0440】
少なくとも一実施例では、ＳＭ３２１４は、いくつかのスレッドにより表されたタスクを処理するように構成されたプログラム可能なストリーミング・プロセッサを、限定することなく含む。少なくとも一実施例では、ＳＭ３２１４はマルチスレッド化されており、スレッドの特定のグループからの複数のスレッド（たとえば、３２個のスレッド）を同時に実行するように構成され、単一命令複数データ（ＳＩＭＤ）アーキテクチャを実装し、ここでスレッドのグループ（たとえば、ワープ）内の各スレッドは、同じ命令セットに基づき、異なるデータのセットを処理するように構成される。少なくとも一実施例では、スレッドのグループ内のすべてのスレッドが命令の共通のセットを実行する。少なくとも一実施例では、ＳＭ３２１４は、単一命令複数スレッド（「ＳＩＭＴ」）アーキテクチャを実装し、ここで、スレッドのグループの各スレッドは、命令の共通セットに基づき、異なるデータのセットを処理するように構成されるが、スレッドのグループ内の個々のスレッドは、実行中に発散することが許容される。少なくとも一実施例では、プログラム・カウンタ、コール・スタック、及び実行状態がワープごとに維持されて、ワープ内のスレッドが発散するときに、ワープ間の同時処理、及びワープ内での直列実行が可能になる。別の実施例では、プログラム・カウンタ、コール・スタック、及び実行状態が個々のスレッドごとに維持されて、すべてのスレッド間、ワープ内、及びワープ間で等しい同時処理が可能になる。少なくとも一実施例では、実行状態が個々のスレッドごとに維持され、共通の命令を実行しているスレッドが、より効率的になるように収束され並列に実行されてもよい。ＳＭ３２１４の少なくとも一実施例は、本明細書でさらに詳細に説明される。
【0441】
少なくとも一実施例では、ＭＭＵ３２１８は、ＧＰＣ３２００とメモリ・パーティション・ユニット（たとえば、図３１のパーティション・ユニット３１２２）との間でインターフェースを提供し、ＭＭＵ３２１８は、仮想アドレスから物理アドレスへのトランスレーション、メモリ保護、及びメモリ要求の調停を提供する。少なくとも一実施例では、ＭＭＵ３２１８は、仮想アドレスからメモリの物理アドレスへのトランスレーションを実行するための１つ又は複数のトランスレーション・ルックアサイド・バッファ（「ＴＬＢ」）を提供する。
【0442】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、深層学習アプリケーション・プロセッサは、ＧＰＣ３２００に提供される情報を予測又は推論するようにニューラル・ネットワークなどの機械学習モデルを訓練するために使用される。少なくとも一実施例では、ＧＰＣ３２００は、別のプロセッサ若しくはシステムによって、又はＧＰＣ３２００によって訓練されてきた訓練済み機械学習モデル（たとえば、ニューラル・ネットワーク）に基づき、情報を推論又は予測するために使用される。少なくとも一実施例では、ＧＰＣ３２００は、本明細書に記載の１つ又は複数のニューラル・ネットワークのユース・ケースを実行するために使用されてもよい。
【0443】
少なくとも一実施例では、図３２に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図３２に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図３２に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0444】
図３３は、少なくとも一実施例による並列処理ユニット（「ＰＰＵ」）のメモリ・パーティション・ユニット３３００を示す。少なくとも一実施例では、メモリ・パーティション・ユニット３３００は、限定することなく、ラスタ演算（「ＲＯＰ」）ユニット３３０２、レベル２（「Ｌ２」）キャッシュ３３０４、メモリ・インターフェース３３０６、及びそれらの任意の好適な組合せを含む。少なくとも一実施例では、メモリ・インターフェース３３０６はメモリに結合される。少なくとも一実施例では、メモリ・インターフェース３３０６は、高速データ転送のために、３２、６４、１２８、１０２４ビットのデータ・バスなどを実装してもよい。少なくとも一実施例では、ＰＰＵは、Ｕが正の整数である、Ｕ個のメモリ・インターフェース３３０６をパーティション・ユニット３３００の対当たりに１つのメモリ・インターフェース３３０６に組み込んでおり、ここでパーティション・ユニット３３００の各対は、対応するメモリ・デバイスに接続される。たとえば、少なくとも一実施例では、ＰＰＵは、高帯域幅メモリ・スタック、又はグラフィックス・ダブル・データ・レート、バージョン５、同期ダイナミック・ランダム・アクセス・メモリ（「ＧＤＤＲ５ ＳＤＲＡＭ」）など、最大Ｙ個のメモリ・デバイスに接続されてもよい。
【0445】
少なくとも一実施例では、メモリ・インターフェース３３０６は、高帯域幅メモリ第２世代（「ＨＢＭ２」：ｈｉｇｈ ｂａｎｄｗｉｄｔｈ ｍｅｍｏｒｙ ｓｅｃｏｎｄ ｇｅｎｅｒａｔｉｏｎ）メモリ・インターフェースを実装し、ＹはＵの半分に等しい。少なくとも一実施例では、ＨＢＭ２メモリ・スタックは、ＰＰＵを有する物理パッケージに位置付けられて、従来のＧＤＤＲ５ ＳＤＲＡＭシステムに比べて実質的な電力と面積の節約を実現する。少なくとも一実施例では、各ＨＢＭ２スタックは、限定することなく４個のメモリ・ダイを含み、Ｙ＝４であり、各ＨＢＭ２スタックは、１つのダイ当たりに２つの１２８ビット・チャネルの合計８チャネル、及び１０２４ビットのデータ・バス幅を含む。少なくとも一実施例では、メモリは、１ビット・エラー訂正２ビット・エラー検出（「ＳＥＣＤＥＤ」：Ｓｉｎｇｌｅ－Ｅｒｒｏｒ Ｃｏｒｒｅｃｔｉｎｇ Ｄｏｕｂｌｅ－Ｅｒｒｏｒ Ｄｅｔｅｃｔｉｎｇ）エラー訂正コード（「ＥＣＣ」）をサポートしてデータを保護する。少なくとも一実施例では、ＥＣＣは、データ破損を受けやすいコンピュート・アプリケーションに、より高い信頼性を提供し得る。
【0446】
少なくとも一実施例では、ＰＰＵは、マルチレベルのメモリ階層を実装する。少なくとも一実施例では、メモリ・パーティション・ユニット３３００は、統合されたメモリをサポートして、中央処理装置（「ＣＰＵ」）及びＰＰＵメモリに単一の統合された仮想アドレス空間を提供し、仮想メモリ・システム間でのデータの共有を可能にする。少なくとも一実施例では、他のプロセッサに位置付けられたメモリにＰＰＵがアクセスする頻度を追跡して、より頻繁にページにアクセスしているＰＰＵの物理メモリに、メモリ・ページが確実に移動されるようにする。少なくとも一実施例では、高速ＧＰＵ相互接続３１０８は、アドレス・トランスレーション・サービスをサポートして、ＰＰＵが直接ＣＰＵのページ・テーブルにアクセスできるようにし、ＰＰＵによるＣＰＵメモリへのフル・アクセスを実現する。
【0447】
少なくとも一実施例では、コピー・エンジンは、複数のＰＰＵ間、又はＰＰＵとＣＰＵとの間で、データを転送する。少なくとも一実施例では、コピー・エンジンは、ページ・テーブルにマッピングされていないアドレスについてページ誤りを生成することができ、次いでメモリ・パーティション・ユニット３３００がページ誤りに対応して、アドレスをページ・テーブルにマッピングし、その後で、コピー・エンジンが転送を実行する。少なくとも一実施例では、メモリは、複数のプロセッサ間でコピー・エンジンの複数の動作についてピン留めされて（すなわち、ページ移動不可能にされて）、実質的に利用可能なメモリを低減させる。少なくとも一実施例では、ハードウェアのページ誤りがある場合、メモリ・ページが常駐であるかどうかに関わらず、アドレスをコピー・エンジンに渡すことができ、コピー・プロセスは透過的である。
【0448】
少なくとも一実施例によれば、図３１のメモリ３１０４又は他のシステム・メモリからのデータは、メモリ・パーティション・ユニット３３００によってフェッチされ、Ｌ２キャッシュ３３０４に記憶され、このＬ２キャッシュは、オン・チップに位置付けられ、様々ＧＰＣ間で共有される。少なくとも一実施例では、各メモリ・パーティション・ユニット３３００は、対応するメモリ・デバイスに関連付けられたＬ２キャッシュの少なくとも一部分を、限定することなく含む。少なくとも一実施例では、より低いレベルのキャッシュが、ＧＰＣ内の様々なユニットに実装される。少なくとも一実施例では、図３２のＳＭ３２１４のそれぞれは、レベル１（「Ｌ１」）キャッシュを実装してもよく、ここでＬ１キャッシュは、特定のＳＭ３２１４専用のプライベート・メモリであり、Ｌ２キャッシュ３３０４からのデータは、ＳＭ３２１４の機能ユニットで処理するために、Ｌ１キャッシュのそれぞれにフェッチされ記憶される。少なくとも一実施例では、Ｌ２キャッシュ３３０４は、メモリ・インターフェース３３０６及び図３１に示されるＸＢａｒ３１２０に結合される。
【0449】
少なくとも一実施例では、ＲＯＰユニット３３０２は、色圧縮、ピクセル・ブレンディングなど、ピクセル色に関係するグラフィックス・ラスタ演算を実行する。ＲＯＰユニット３３０２は、少なくとも一実施例では、ラスタ・エンジン３２０８と併せて深度テストを実装して、ピクセル・フラグメントに関連付けられたサンプル・ロケーションの深度を、ラスタ・エンジン３２０８の選別エンジンから受信する。少なくとも一実施例では、深度は、フラグメントに関連付けられたサンプル・ロケーションの深度バッファにおける対応する深度と比べてテストされる。少なくとも一実施例では、フラグメントが、サンプル・ロケーションの深度テストを通過すると、ＲＯＰユニット３３０２は、深度バッファを更新し、深度テストの結果をラスタ・エンジン３２０８に送信する。パーティション・ユニット３３００の数はＧＰＣの数とは異なってもよく、したがって、各ＲＯＰユニット３３０２は、少なくとも一実施例では、ＧＰＣのそれぞれに結合されてもよいことが理解されよう。少なくとも一実施例では、ＲＯＰユニット３３０２は、異なるＧＰＣから受信したパケットを追跡し、ＲＯＰユニット３３０２によって生成された結果が、ＸＢａｒ３１２０を通してルーティングされることになるかを判定する。
【0450】
図３４は、少なくとも一実施例による、ストリーミング・マルチプロセッサ（「ＳＭ」）３４００を示す。少なくとも一実施例では、ＳＭ３４００は、図３２のＳＭである。少なくとも一実施例では、ＳＭ３４００は、限定することなく、命令キャッシュ３４０２、１つ又は複数のスケジューラ・ユニット３４０４、レジスタ・ファイル３４０８、１つ又は複数の処理コア（「コア」）３４１０、１つ又は複数の特殊機能ユニット（「ＳＦＵ」：ｓｐｅｃｉａｌ ｆｕｎｃｔｉｏｎ ｕｎｉｔ）３４１２、１つ又は複数のロード／ストア・ユニット（「ＬＳＵ」：ｌｏａｄ／ｓｔｏｒｅ ｕｎｉｔ）３４１４、相互接続ネットワーク３４１６、共有メモリ／レベル１（「Ｌ１」）キャッシュ３４１８、及び／又はこれらの任意の好適な組合せを含む。
【0451】
少なくとも一実施例では、ワーク分配ユニットは、並列処理ユニット（「ＰＰＵ」）の汎用処理クラスタ（「ＧＰＣ」）で実行するためにタスクをディスパッチし、各タスクは、ＧＰＣ内の特定のデータ処理クラスタ（「ＤＰＣ」）に配分され、タスクがシェーダ・プログラムに関連する場合には、タスクはＳＭ３４００のうちの１つに配分される。少なくとも一実施例では、スケジューラ・ユニット３４０４は、ワーク分配ユニットからタスクを受信し、ＳＭ３４００に割り当てられた１つ又は複数のスレッド・ブロックについて命令スケジューリングを管理する。少なくとも一実施例では、スケジューラ・ユニット３４０４は、並列スレッドのワープとして実行できるようにスレッド・ブロックをスケジューリングし、ここで各スレッド・ブロックは、少なくとも１つのワープに配分される。少なくとも一実施例では、各ワープは、スレッドを実行する。少なくとも一実施例では、スケジューラ・ユニット３４０４は、複数の異なるスレッド・ブロックを管理して、異なるスレッド・ブロックにワープを配分し、次いで複数の異なる連動グループからの命令を、各クロック・サイクル中に様々な機能ユニット（たとえば、処理コア３４１０、ＳＦＵ３４１２、及びＬＳＵ３４１４）にディスパッチする。
【0452】
少なくとも一実施例では、連動グループとは、通信するスレッドのグループを組織化するためのプログラミング・モデルを指し、このモデルは、スレッドが通信する粒度をデベロッパが表せるようにして、より豊富でより効率的な並列分解の表現を可能にする。少なくとも一実施例では、連動した起動ＡＰＩは、並列アルゴリズムを実行できるようにスレッド・ブロック間の同期をサポートする。少なくとも一実施例では、従来のプログラミング・モデルのアプリケーションは、連動スレッドを同期するための単一の簡単な構造、すなわちスレッド・ブロックのすべてのスレッドにわたるバリア（たとえば、ｓｙｎｃｔｈｒｅａｄｓ（）関数）を提供する。しかし、少なくとも一実施例では、プログラマは、スレッド・ブロックの粒度よりも小さいスレッド・グループを定義し、定義されたグループ内で同期して、集合的なグループ全般にわたる機能インターフェースの形で、より高い性能、設計の融通性、及びソフトウェア再利用を可能にしてもよい。少なくとも一実施例では、連動グループによって、プログラマは、サブ・ブロック（すなわち、単一スレッドと同じ小ささ）の粒度及びマルチ・ブロックの粒度において、スレッドのグループを明示的に定義し、連動グループ内のスレッドに対する同期などの集合的な動作を実行できるようになる。少なくとも一実施例では、プログラミング・モデルは、ソフトウェア境界を横切るクリーンな合成をサポートし、それにより、ライブラリ及びユーティリティ関数を、収束について仮定する必要なくそれらのローカルなコンテキスト内で安全に同期することができる。少なくとも一実施例では、連動グループのプリミティブは、プロデューサ－コンシューマ並列性、日和見並列性（ｏｐｐｏｒｔｕｎｉｓｔｉｃ ｐａｒａｌｌｅｌｉｓｍ）、及びスレッド・ブロックのグリッド全体にわたるグローバルな同期を限定することなく含む新しいパターンの連動並列性を可能にする。
【0453】
少なくとも一実施例では、ディスパッチ・ユニット３４０６は、１つ又は複数の機能ユニット及びスケジューラ・ユニット３４０４に命令を送信するように構成され、共通のワープからの２つの異なる命令を、各クロック・サイクル中にディスパッチできるようにする２つのディスパッチ・ユニット３４０６を限定することなく含む。少なくとも一実施例では、各スケジューラ・ユニット３４０４は、単一のディスパッチ・ユニット３４０６又は追加のディスパッチ・ユニット３４０６を含む。
【0454】
少なくとも一実施例では、各ＳＭ３４００は、少なくとも一実施例では、ＳＭ３４００の機能ユニットにレジスタのセットを提供するレジスタ・ファイル３４０８を限定することなく含む。少なくとも一実施例では、レジスタ・ファイル３４０８は、各機能ユニットがレジスタ・ファイル３４０８の専用部分に配分されるように、各機能ユニット間で分割される。少なくとも一実施例では、レジスタ・ファイル３４０８は、ＳＭ３４００によって実行されている異なるワープ間で分割され、レジスタ・ファイル３４０８は、機能ユニットのデータ経路に接続されたオペランド用の一時的なストレージを提供する。少なくとも一実施例では、各ＳＭ３４００は、限定することなく複数のＬ個の処理コア３４１０を含み、ここでＬは正の整数である。少なくとも一実施例では、各ＳＭ３４００は、限定することなく、多数の（たとえば、１２８個以上の）個別の処理コア３４１０を含む。少なくとも一実施例では、各処理コア３４１０は、浮動小数点算術論理演算ユニット及び整数算術論理演算ユニットを限定することなく含む完全にパイプライン化された、単精度の、倍精度の、及び／又は混合精度の処理ユニットを限定することなく含む。少なくとも一実施例では、浮動小数点算術論理演算ユニットは、浮動小数点演算のためのＩＥＥＥ７５４－２００８規格を実装する。少なくとも一実施例では、処理コア３４１０は、限定することなく、６４個の単精度（３２ビット）浮動小数点コア、６４個の整数コア、３２個の倍精度（６４ビット）浮動小数点コア、及び８個のテンソル・コアを含む。
【0455】
テンソル・コアは、少なくとも一実施例による行列演算を実行するように構成される。少なくとも一実施例では、１つ又は複数のテンソル・コアは、処理コア３４１０に含まれる。少なくとも一実施例では、テンソル・コアは、ニューラル・ネットワークの訓練及び推論のための畳み込み演算など、深層学習の行列演算を実行するように構成される。少なくとも一実施例では、各テンソル・コアは、４×４の行列で動作し、行列の積和演算（ｍａｔｒｉｘ ｍｕｌｔｉｐｌｙ ａｎｄ ａｃｃｕｍｕｌａｔｅ ｏｐｅｒａｔｉｏｎ）、Ｄ＝Ａ×Ｂ＋Ｃを実行し、ここでＡ、Ｂ、Ｃ、及びＤは４×４の行列である。
【0456】
少なくとも一実施例では、行列乗算の入力Ａ及びＢは、１６ビットの浮動小数点行列であり、和の行列Ｃ及びＤは、１６ビットの浮動小数点又は３２ビットの浮動小数点行列である。少なくとも一実施例では、テンソル・コアは、３２ビットの浮動小数点の和を有する１６ビットの浮動小数点入力データで動作する。少なくとも一実施例では、１６ビットの浮動小数点乗算は、６４個の演算を使用し、結果的に完全精度の積をもたらし、次いでその積が、４×４×４の行列乗算の他の中間積との３２ビット浮動小数点加算を使用して加算される。テンソル・コアを使用して、少なくとも一実施例では、これらの小さい要素から構築される、はるかに大きい２次元又はさらに高次元の行列演算が実行される。少なくとも一実施例では、ＣＵＤＡ９Ｃ＋＋ＡＰＩなどのＡＰＩは、ＣＵＤＡ－Ｃ＋＋プログラムからテンソル・コアを効率的に使用するために、特殊な行列ロード演算、行列積和演算、及び行列ストア演算を公開している。少なくとも一実施例では、ＣＵＤＡレベルにおいて、ワープ・レベル・インターフェースは、ワープの３２スレッドすべてにわたる１６×１６のサイズの行列を仮定している。
【0457】
少なくとも一実施例では、各ＳＭ３４００は、特殊関数（たとえば、属性評価、逆数平方根など）を実行するＭ個のＳＦＵ３４１２を、限定することなく含む。少なくとも一実施例では、ＳＦＵ３４１２は、限定することなく、階層ツリー・データ構造をトラバースするように構成されたツリー・トラバーサル・ユニットを含む。少なくとも一実施例では、ＳＦＵ３４１２は、テクスチャ・マップのフィルタリング動作を実行するように構成されたテクスチャ・ユニットを、限定することなく含む。少なくとも一実施例では、テクスチャ・ユニットは、メモリ及びサンプル・テクスチャ・マップからテクスチャ・マップ（たとえば、テクセルの２Ｄアレイ）をロードして、ＳＭ３４００により実行されるシェーダ・プログラムで使用するためのサンプリングされたテクスチャ値を生成するように構成される。少なくとも一実施例では、テクスチャ・マップは、共有メモリ／レベル１キャッシュ３４１８に記憶される。少なくとも一実施例では、テクスチャ・ユニットは、少なくとも一実施例によれば、ミップ・マップ（たとえば、詳細さのレベルが異なるテクスチャ・マップ）を使用したフィルタリング動作などのテクスチャ動作を実装する。少なくとも一実施例では、各ＳＭ３４００は、限定することなく、２つのテクスチャ・ユニットを含む。
【0458】
各ＳＭ３４００は、少なくとも一実施例では、共有メモリ／Ｌ１キャッシュ３４１８とレジスタ・ファイル３４０８の間でロード及びストア動作を実装するＮ個のＬＳＵ３４１４を、限定することなく含む。少なくとも一実施例では、相互接続ネットワーク３４１６は、各機能ユニットをレジスタ・ファイル３４０８に接続し、ＬＳＵ３４１４をレジスタ・ファイル３４０８及び共有メモリ／Ｌ１キャッシュ３４１８に接続する。少なくとも一実施例では、相互接続ネットワーク３４１６はクロスバーであり、このクロスバーは、任意の機能ユニットをレジスタ・ファイル３４０８の任意のレジスタに接続し、ＬＳＵ３４１４をレジスタ・ファイル３４０８と共有メモリ／Ｌ１キャッシュ３４１８のメモリ・ロケーションとに接続するように構成されてもよい。
【0459】
少なくとも一実施例では、共有メモリ／Ｌ１キャッシュ３４１８は、少なくとも一実施例では、ＳＭ３４００とプリミティブ・エンジンの間、及びＳＭ３４００のスレッド間でデータ・ストレージ及び通信を可能にするオン・チップ・メモリのアレイである。少なくとも一実施例では、共有メモリ／Ｌ１キャッシュ３４１８は、限定することなく、１２８ＫＢのストレージ容量を備え、ＳＭ３４００からパーティション・ユニットに向かう経路にある。少なくとも一実施例では、共有メモリ／Ｌ１キャッシュ３４１８は、少なくとも一実施例では、読取り及び書込みをキャッシュするために使用される。少なくとも一実施例では、共有メモリ／Ｌ１キャッシュ３４１８、Ｌ２キャッシュ、及びメモリのうちの１つ又は複数は、補助ストアである。
【0460】
少なくとも一実施例では、データ・キャッシュと共有メモリ機能とを単一のメモリ・ブロックに組み合わせることによって、両方のタイプのメモリ・アクセスについて性能が向上する。少なくとも一実施例では、容量は、共有メモリを使用しないプログラムによってキャッシュとして使用され、又は使用可能であり、それにより、共有メモリが容量の半分を使用するように構成されている場合、テクスチャ及びロード／ストア動作が、残りの容量を使用することができる。少なくとも一実施例によれば、共有メモリ／Ｌ１キャッシュ３４１８内に統合することによって、共有メモリ／Ｌ１キャッシュ３４１８が、データをストリームするための高スループットの管として機能しながら、同時に高帯域幅及び低レイテンシのアクセスを、頻繁に再使用されるデータに提供できるようになる。少なくとも一実施例では、汎用並列計算向けに構成されるときには、グラフィックス処理と比べてより簡単な構成を使用することができる。少なくとも一実施例では、固定機能のグラフィックス・プロセッシング・ユニットがバイパスされて、はるかに簡単なプログラミング・モデルが作製される。汎用並列計算の構成では、ワーク分配ユニットは、少なくとも一実施例においてスレッドのブロックを直接ＤＰＣに割当て及び分配する。少なくとも一実施例では、ブロック内のスレッドは、各スレッドが確実に一意の結果を生成するように、計算において一意のスレッドＩＤを使用して共通のプログラムを実行し、ＳＭ３４００を使用して、プログラムを実行し計算を行い、共有メモリ／Ｌ１キャッシュ３４１８を使用してスレッド間で通信し、ＬＳＵ３４１４を使用して、共有メモリ／Ｌ１キャッシュ３４１８及びメモリ・パーティション・ユニットを介してグローバル・メモリを読み取り、書き込む。少なくとも一実施例では、汎用並列計算向けに構成されるときには、ＳＭ３４００は、ＤＣＰ上で新規のワークを起動するためにスケジューラ・ユニット３４０４が使用できるコマンドを書き込む。
【0461】
少なくとも一実施例では、ＰＰＵは、デスクトップ・コンピュータ、ラップトップ・コンピュータ、タブレット・コンピュータ、サーバ、スーパーコンピュータ、スマート・フォン（たとえば、ワイヤレスの携帯型デバイス）、パーソナル・デジタル・アシスタント（「ＰＤＡ」）、デジタル・カメラ、車両、頭装着型ディスプレイ、携帯型電子デバイスなどに含まれ、又はこれらに結合される。少なくとも一実施例では、ＰＰＵは、単一の半導体基板に具体化される。少なくとも一実施例では、ＰＰＵは、追加のＰＰＵ、メモリ、縮小命令セット・コンピュータ（「ＲＩＳＣ」）ＣＰＵ、メモリ管理ユニット（「ＭＭＵ」）、デジタル－アナログ変換器（「ＤＡＣ」：ｄｉｇｉｔａｌ－ｔｏ－ａｎａｌｏｇ ｃｏｎｖｅｒｔｅｒ）などの１つ又は複数の他のデバイスとともにシステム・オン・チップ（「ＳｏＣ」）に含まれる。
【0462】
少なくとも一実施例では、ＰＰＵは、１つ又は複数のメモリ・デバイスを含むグラフィックス・カードに含まれてもよい。少なくとも一実施例では、グラフィックス・カードは、デスクトップ・コンピュータのマザーボード上のＰＣＩｅスロットとインターフェースをとるように構成されてもよい。少なくとも一実施例では、ＰＰＵは、マザーボードのチップセットに含まれる統合グラフィックス・プロセッシング・ユニット（「ｉＧＰＵ」：ｉｎｔｅｇｒａｔｅｄ ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）であってもよい。
【0463】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。少なくとも一実施例では、深層学習アプリケーション・プロセッサは、ＳＭ３４００に提供される情報を予測又は推論するようにニューラル・ネットワークなどの機械学習モデルを訓練するために使用される。少なくとも一実施例では、ＳＭ３４００は、別のプロセッサ若しくはシステムによって、又はＳＭ３４００によって訓練されてきた訓練済み機械学習モデル（たとえば、ニューラル・ネットワーク）に基づき、情報を推論又は予測するために使用される。少なくとも一実施例では、ＳＭ３４００は、本明細書に記載の１つ又は複数のニューラル・ネットワークのユース・ケースを実行するために使用されてもよい。
【0464】
少なくとも一実施例では、図３４に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図３４に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図３４に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0465】
医療用途における画像推論及び画像処理など、先進コンピューティングのための仮想化コンピューティング・プラットフォームに関する実施例が開示される。限定することなく、実施例は、放射線写真撮影、磁気共鳴撮像（ＭＲＩ）、核医学、超音波、ソノグラフィ、エラストグラフィ、光音響撮像、トモグラフィ、心エコー、機能的近赤外分光法、及び磁性粒子撮像、又はこれらの組合せを含んでもよい。少なくとも一実施例では、本明細書に記載の仮想化コンピューティング・プラットフォーム、及び関連するプロセスは、限定することなく、法科学分析、表面下検出及び撮像（たとえば、石油探査、考古学、古生物学など）、地形学、海洋学、地質学、骨学、気象学、知能分野、又は物体追跡及び監視、センサ・データ処理（たとえば、ＲＡＤＡＲ、ＳＯＮＡＲ、ＬＩＤＡＲなど）、並びに／又はゲノミクス及び遺伝子配列において、追加的又は代替的に使用されてもよい。
【0466】
図３５を参照すると、図３５は、少なくとも一実施例による、画像処理及び推論のパイプラインを生成及び導入するプロセス３５００の例示的データ・フロー図である。少なくとも一実施例では、プロセス３５００は、医療施設、病院、ヘルスケア機関、クリニック、リサーチ若しくは診断の研究所などの１つ又は複数の施設３５０２において、撮像デバイス、処理デバイス、ゲノミクス・デバイス、遺伝子配列デバイス、放射線デバイス、及び／又は他のタイプのデバイスとともに使用するために導入されてもよい。少なくとも一実施例では、プロセス３５００は、シーケンシング・データについてゲノミクスの分析及び推論を実行するために導入されてもよい。本明細書に記載のシステム及びプロセスを使用して実行することができるゲノム分析の実例は、限定することなく、バリアント・コール、変異検出、及び遺伝子発現の定量化を含む。
【0467】
少なくとも一実施例では、プロセス３５００は、訓練システム３５０４内及び／又は導入システム３５０６内で実行されてもよい。少なくとも一実施例では、訓練システム３５０４を使用して、導入システム３５０６で使用するための機械学習モデル（たとえば、ニューラル・ネットワーク、物体検出アルゴリズム、コンピュータ・ビジョン・アルゴリズムなど）の訓練、導入、及び実装が実行されてもよい。少なくとも一実施例では、導入システム３５０６は、処理及び計算のリソースを分散コンピューティング環境間でオフロードするように構成されて、施設３５０２におけるインフラストラクチャ要件を低減してもよい。少なくとも一実施例では、導入システム３５０６は、施設３５０２において撮像デバイス（たとえば、ＭＲＩ、ＣＴスキャン、Ｘ線、超音波など）又はシーケンシング・デバイスとともに使用するための仮想機器を選択し、カスタマイズし、実装するための合理化されたプラットフォームを提供してもよい。少なくとも一実施例では、仮想機器は、撮像デバイス、シーケンシング・デバイス、放射線デバイス、及び／又は他のタイプのデバイスによって生成された撮像データに対して１つ又は複数の処理動作を実行するためのソフトウェア定義アプリケーションを含んでもよい。少なくとも一実施例では、パイプライン内の１つ又は複数のアプリケーションは、アプリケーションの実行中に導入システム３５０６のサービス（たとえば、推論、仮想化、計算、ＡＩなど）を使用又はコールしてもよい。
【0468】
少なくとも一実施例では、先進処理及び推論パイプラインで使用されるアプリケーションのいくつかは、１つ又は複数の処理ステップを実行するために機械学習モデル又は他のＡＩを使用してもよい。少なくとも一実施例では、機械学習モデルは、施設３５０２で生成された（且つ、施設３５０２において１つ若しくは複数の画像アーカイブ及び通信システム（ＰＡＣＳ）サーバに記憶された）（撮像データなどの）データ３５０８を使用して、施設３５０２において訓練されてもよく、１つ又は複数の別の施設（たとえば、異なる病院、研究所、クリニックなど）からの撮像若しくはシーケンシングのデータ３５０８を使用して訓練されてもよく、又はそれらの組合せであってもよい。少なくとも一実施例では、訓練システム３５０４を使用して、導入システム３５０６向けの実用的で導入可能な機械学習モデルを生成するためのアプリケーション、サービス、及び／又は他のリソースが提供されてもよい。
【0469】
少なくとも一実施例では、モデル・レジストリ３５２４は、バージョン管理及び物体メタデータをサポートすることができる物体ストレージによってバックアップされてもよい。少なくとも一実施例では、物体ストレージには、たとえば、クラウド・プラットフォーム内から、クラウド・ストレージ（たとえば、図３６のクラウド３６２６）の互換性アプリケーション・プログラミング・インターフェース（ＡＰＩ）を介してアクセス可能であってもよい。少なくとも一実施例では、モデル・レジストリ３５２４内の機械学習モデルは、システムの開発者又はパートナがＡＰＩと対話することによって、アップロード、リスト化、修正、又は削除されてもよい。少なくとも一実施例では、ＡＰＩは、適切な資格を有するユーザがモデルをアプリケーションに関連付けできるようにする方法へのアクセスを提供してもよく、それによりアプリケーションのコンテナ化されたインスタンス化を実行することの一部として、モデルを実行できるようになる。
【0470】
少なくとも一実施例では、訓練パイプライン３６０４（図３６）は、施設３５０２が独自の機械学習モデルを訓練している状況、又は最適化若しくは更新される必要がある既存の機械学習モデルを有しているシナリオを含んでもよい。少なくとも一実施例では、撮像デバイス、シーケンシング・デバイス、及び／又は他のタイプのデバイスによって生成された撮像データ３５０８が受信されてもよい。少なくとも一実施例では、撮像データ３５０８が受信されると、機械学習モデルのグラウンド・トゥルース・データとして使用されることになる撮像データ３５０８に対応するアノテーションの生成を支援するために、ＡＩ支援アノテーション３５１０が使用されてもよい。少なくとも一実施例では、ＡＩ支援アノテーション３５１０は、１つ又は複数の機械学習モデル（たとえば、畳み込みニューラル・ネットワーク（ＣＮＮ））を含んでもよく、これは（たとえば特定のデバイスからの）特定のタイプの撮像データ３５０８、及び／又は撮像データ３５０８内の特定のタイプの異常に対応するアノテーションを生成するように訓練されてもよい。少なくとも一実施例では、次いでＡＩ支援アノテーション３５１０は、グラウンド・トゥルース・データを生成するために直接使用されてもよく、又は（たとえば、研究者、臨床医、医師、科学者などによって）アノテーション・ツールを使用して調節若しくは微調整されてもよい。少なくとも一実施例では、いくつかの実例において、ラベル付けされたクリニック・データ３５１２（たとえば、臨床医、医師、科学者、技術者などによって提供されたアノテーション）が、機械学習モデルを訓練するためのグラウンド・トゥルース・データとして使用されてもよい。少なくとも一実施例では、ＡＩ支援アノテーション３５１０、ラベル付けされたクリニック・データ３５１２、又はこれらの組合せが、機械学習モデルを訓練するためのグラウンド・トゥルース・データとして使用されてもよい。少なくとも一実施例では、訓練済み機械学習モデルは出力モデル３５１６と呼ばれてもよく、本明細書に記載の導入システム３５０６によって使用されてもよい。
【0471】
少なくとも一実施例では、訓練パイプライン３６０４（図３６）は、施設３５０２が、導入システム３５０６内の１つ又は複数のアプリケーションのための１つ又は複数の処理タスクを実行する際に使用する機械学習モデルを必要としているが、施設３５０２は現在そのような機械学習モデルを有していないかもしれない（又はそうした目的のために最適化された、効率よい、若しくは有効なモデルを有していないかもしれない）というシナリオを含んでもよい。少なくとも一実施例では、既存の機械学習モデルが、モデル・レジストリ３５２４から選択されてもよい。少なくとも一実施例では、モデル・レジストリ３５２４は、撮像データに対して様々な異なる推論タスクを実行するように訓練された機械学習モデルを含んでもよい。少なくとも一実施例では、モデル・レジストリ３５２４の機械学習モデルは、施設３５０２とは異なる施設（たとえば、離れた場所にある施設）からの撮像データについて訓練されたものであってもよい。少なくとも一実施例では、機械学習モデルは、１つの場所、２つの場所、又は任意の数の場所からの撮像データについて訓練されたものであってもよい。少なくとも一実施例では、特定の場所からの撮像データについて訓練されるとき、訓練は、その場所で行われてもよく、又は少なくとも、撮像データの機密性を保護するようなやり方で、若しくは撮像データが構外へ転送されるのを制限するようなやり方で（たとえば、ＨＩＰＰＡ規定、プライバシー規定に準拠するように）行われてもよい。少なくとも一実施例では、１つの場所においてモデルが訓練されると、又は部分的に訓練されると、機械学習モデルはモデル・レジストリ３５２４に加えられてもよい。少なくとも一実施例では、次いで機械学習モデルは、任意の数の他の施設において再訓練又は更新されてもよく、再訓練又は更新されたモデルが、モデル・レジストリ３５２４において利用可能にされてもよい。少なくとも一実施例では、次いで機械学習モデルは、モデル・レジストリ３５２４から選択されてもよく、出力モデル３５１６と呼ばれてもよく、導入システム３５０６において使用されて、導入システムの１つ又は複数のアプリケーションのための１つ又は複数の処理タスクを実行してもよい。
【0472】
少なくとも一実施例では、訓練パイプライン３６０４（図３６）は、施設３５０２が、導入システム３５０６内の１つ又は複数のアプリケーションのための１つ又は複数の処理タスクを実行する際に使用する機械学習モデルを必要としているが、施設３５０２は現在そのような機械学習モデルを有していないかもしれない（又はそうした目的のために最適化された、効率よい、若しくは有効なモデルを有していないかもしれない）という状況を含むシナリオで使用することができる。少なくとも一実施例では、モデル・レジストリ３５２４から選択された機械学習モデルは、母集団、遺伝的差異、機械学習モデルを訓練するために使用される訓練データの頑健性、訓練データの異常の多様性、及び／又は訓練データに伴う他の問題に違いがあることから、施設３５０２において生成される撮像データ３５０８向けに微調整又は最適化されていないことがある。少なくとも一実施例では、機械学習モデルを再訓練又は更新するためのグラウンド・トゥルース・データとして使用されることになる撮像データ３５０８に対応するアノテーションの生成を支援するために、ＡＩ支援アノテーション３５１０が使用されてもよい。少なくとも一実施例では、ラベル付けされたクリニック・データ３５１２（たとえば、臨床医、医師、科学者などによって提供されたアノテーション）が、機械学習モデルを訓練するためのグラウンド・トゥルース・データとして使用されてもよい。少なくとも一実施例では、機械学習モデルを再訓練又は更新することは、モデル訓練３５１４と呼ばれてもよい。少なくとも一実施例では、モデル訓練３５１４、たとえばＡＩ支援アノテーション３５１０、ラベル付けされたクリニック・データ３５１２、又はこれらの組合せは、機械学習モデルを再訓練若しくは更新するためのグラウンド・トゥルース・データとして使用されてもよい。
【0473】
少なくとも一実施例では、導入システム３５０６は、ソフトウェア３５１８、サービス３５２０、ハードウェア３５２２、並びに／又は他の構成要素、特徴、及び機能を含んでもよい。少なくとも一実施例では、導入システム３５０６は、ソフトウェア「スタック」を含んでもよく、それによりソフトウェア３５１８は、サービス３５２０の上に構築されてもよく、サービス３５２０を使用して一部若しくはすべての処理タスクを実行してもよく、サービス３５２０及びソフトウェア３５１８は、ハードウェア３５２２の上に構築され、ハードウェア３５２２を使用して、導入システム３５０６の処理、ストレージ、及び／又は他の計算のタスクを実行してもよい。
【0474】
少なくとも一実施例では、ソフトウェア３５１８は、任意の数の異なるコンテナを含んでもよく、ここで各コンテナは、アプリケーションのインスタンス化を実行してもよい。少なくとも一実施例では、各アプリケーションは、先進処理及び推論パイプラインの１つ又は複数の処理タスク（たとえば、推論、物体検出、特徴検出、セグメント化、画像強調、キャリブレーションなど）を実行してもよい。少なくとも一実施例では、撮像デバイス（たとえば、ＣＴ、ＭＲＩ、Ｘ線、超音波、ソノグラフィ、心エコーなど）、シーケンシング・デバイス、放射線デバイス、ゲノミクス・デバイスなどのタイプごとに、デバイスによって生成された撮像データ３５０８（又は、本明細書に記載のものなどの他のタイプのデータ）に対してデータ処理タスクを実行できる任意の数のコンテナが存在してもよい。少なくとも一実施例では、先進処理及び推論パイプラインは、（たとえば、医用におけるデジタル画像と通信（ｄｉｇｉｔａｌ ｉｍａｇｉｎｇ ａｎｄ ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ ｍｅｄｉｃｉｎｅ：ＤＩＣＯＭ）データ、放射線医学情報システム（ＲＩＳ）データ、臨床情報システム（ＣＩＳ）データ、リモート・プロシージャ・コール（ＲＰＣ）データ、表現状態転送（ＲＥＳＴ）インターフェースに実質的に準拠したデータ、ファイルベースのインターフェースに実質的に準拠したデータ、及び／又は生のデータなどの使用可能なタイプのデータに出力を再変換して、施設３５０２において記憶及び表示するように）パイプラインを通して処理した後に、各コンテナによって使用される、且つ／又は施設３５０２によって使用される撮像データを受信及び構成するコンテナに加えて、撮像データ３５０８を処理するのに所望される又は必要とされる異なるコンテナの選択に基づき定義されてもよい。少なくとも一実施例では、（たとえばパイプラインを構成する）ソフトウェア３５１８内のコンテナの組合せは、（本明細書においてより詳細に記載する）仮想機器と呼ばれてもよく、仮想機器は、サービス３５２０及びハードウェア３５２２を利用して、コンテナにおいてインスタンス化されたアプリケーションの一部又はすべての処理タスクを実行してもよい。
【0475】
少なくとも一実施例では、データ処理パイプラインは、推論要求（たとえば、臨床医、医師、放射線医など、導入システム３５０６のユーザからの要求）に応答して、ＤＩＣＯＭ、ＲＩＳ、ＣＩＳ、ＲＥＳＴ準拠、ＲＰＣ、生、及び／又は他のフォーマットで入力データ（たとえば、撮像データ３５０８）を受け取ってもよい。少なくとも一実施例では、入力データは、１つ又は複数の撮像デバイス、シーケンシング・デバイス、放射線デバイス、ゲノミクス・デバイス、及び／又は他のタイプのデバイスによって生成される１つ又は複数の画像、ビデオ、及び／又は他のデータ表現を表してもよい。少なくとも一実施例では、データは、データ処理パイプラインの一部としての事前処理を受けて、１つ又は複数のアプリケーションによって処理できるようにデータが準備されてもよい。少なくとも一実施例では、パイプラインの１つ若しくは複数の推論タスク又は他の処理タスクの出力に対して後処理が実行されて、次のアプリケーション用に出力データが準備されてもよく、且つ／又は送信及び／若しくはユーザによる使用のために（たとえば、推論要求への応答として）出力データが準備されてもよい。少なくとも一実施例では、推論タスクは、訓練済み若しくは導入済みのニューラル・ネットワークなど、１つ又は複数の機械学習モデルによって実行されてもよく、このモデルは、訓練システム３５０４の出力モデル３５１６を含んでもよい。
【0476】
少なくとも一実施例では、データ処理パイプラインのタスクはコンテナにカプセル化されてもよく、コンテナはそれぞれ、アプリケーションの個別の完全に機能的なインスタンス化、及び機械学習モデルを参照できる仮想化コンピューティング環境を表す。少なくとも一実施例では、コンテナ又はアプリケーションは、（本明細書においてより詳細に記載する）コンテナ・レジストリのプライベート（たとえば、アクセスの制限された）区域に発行されてもよく、訓練済み又は導入済みのモデルは、モデル・レジストリ３５２４に記憶され、１つ又は複数のアプリケーションに関連付けられてもよい。少なくとも一実施例では、アプリケーションの画像（たとえば、コンテナの画像）は、コンテナ・レジストリにおいて入手可能であってもよく、パイプラインに導入するためにユーザによってコンテナ・レジストリから選択されると、画像は、ユーザのシステムで使用できるようにアプリケーションをインスタンス化するためのコンテナを生成するために使用されてもよい。
【0477】
少なくとも一実施例では、開発者（たとえば、ソフトウェア開発者、臨床医、医師など）は、供給されたデータに対して画像処理及び／又は推論を実行するために、アプリケーションを（たとえばコンテナとして）開発、公開、及び記憶してもよい。少なくとも一実施例では、開発、公開、及び／又は記憶は、（たとえば、開発されたアプリケーション及び／又はコンテナが、確実にシステムに準拠するように、又はシステムと互換性があるようにするために）システムに関連付けられたソフトウェア開発キット（ＳＤＫ）を使用して実行されてもよい。少なくとも一実施例では、開発されたアプリケーションは、システム（たとえば図３６のシステム３６００）としてサービス３５２０の少なくとも一部をサポートすることができるＳＤＫを用いて、ローカルに（たとえば第１の施設において、第１の施設からのデータについて）テストされてもよい。少なくとも一実施例では、ＤＩＣＯＭ物体は、１個から数百個にわたる画像又は他のタイプのデータをどこにでも含むことができるうえに、データのバリエーションがあることから、開発者は、入力されるＤＩＣＯＭデータの抽出及び準備を管理する（たとえば、アプリケーション用の構成を設定する、事前処理をアプリケーションに構築するなどの）責任を負うことがある。少なくとも一実施例では、システム３６００によって（たとえば、精度、安全性、患者のプライバシーなどが）検証されると、アプリケーションは、ユーザ（たとえば、病院、クリニック、研究所、ヘルスケア提供者など）によって選択及び／又は実装できるようにコンテナ・レジストリにおいて利用可能にされて、ユーザの施設（たとえば、第２の施設）におけるデータに対して１つ又は複数の処理タスクが実行されてもよい。
【0478】
少なくとも一実施例では、次いで開発者は、アプリケーション又はコンテナを、システム（たとえば、図３６のシステム３６００）のユーザによってアクセス及び使用できるようにネットワークを通して共有してもよい。少なくとも一実施例では、完成し検証されたアプリケーション又はコンテナは、コンテナ・レジストリに記憶されてもよく、関連する機械学習モデルは、モデル・レジストリ３５２４に記憶されてもよい。少なくとも一実施例では、推論又は画像処理の要求を出す要求元エンティティ（たとえば、医療施設のユーザ）は、コンテナ・レジストリ及び／又はモデル・レジストリ３５２４をブラウジングしてアプリケーション、コンテナ、データセット、機械学習モデルなどを探し、データ処理パイプラインに含めるための要素の所望の組合せを選択し、撮像処理要求を送出してもよい。少なくとも一実施例では、要求は、要求を実行するために必要な入力データ（及びいくつかの実例では、関連する患者データ）を含んでもよく、且つ／又は要求を処理する際に実行されることになるアプリケーション及び／又は機械学習モデルの選択を含んでもよい。少なくとも一実施例では、次いで要求は、導入システム３５０６（たとえばクラウド）の１つ又は複数の構成要素に渡されて、データ処理パイプラインの処理が実行されてもよい。少なくとも一実施例では、導入システム３５０６による処理は、コンテナ・レジストリ及び／又はモデル・レジストリ３５２４から選択された要素（たとえば、アプリケーション、コンテナ、モデルなど）を参照することを含んでもよい。少なくとも一実施例では、パイプラインによって結果が生成されると、結果がユーザに返されて参照されてもよい（たとえば、ローカルで、構内のワークステーション又は端末で実行している視聴アプリケーション・スイートで視聴されてもよい）。少なくとも一実施例では、放射線医は、任意の数のアプリケーション及び／又はコンテナを含むデータ処理パイプラインから結果を受信してもよく、ここで結果は、Ｘ線、ＣＴスキャン、ＭＲＩなどにおける異常検出を含んでもよい。
【0479】
少なくとも一実施例では、パイプラインにおけるアプリケーション又はコンテナの処理又は実行を支援するために、サービス３５２０が利用されてもよい。少なくとも一実施例では、サービス３５２０は、計算サービス、人工知能（ＡＩ）サービス、視覚化サービス、及び／又は他のタイプのサービスを含んでもよい。少なくとも一実施例では、サービス３５２０は、ソフトウェア３５１８の１つ又は複数のアプリケーションに共通の機能を提供してもよく、それにより機能は、アプリケーションによってコール又は利用されることが可能なサービスに対して抽象化されてもよい。少なくとも一実施例では、サービス３５２０によって提供される機能は、動的でより効率的に実行されてもよく、それと同時に、（たとえば、並列コンピューティング・プラットフォーム３６３０（図３６）を使用して）アプリケーションが並列にデータを処理できるようにすることにより、良好にスケーリングされてもよい。少なくとも一実施例では、サービス３５２０により提供される同じ機能を共有する各アプリケーションに、サービス３５２０のそれぞれのインスタンスを有するよう要求するのではなく、サービス３５２０が、様々なアプリケーション間で共有されてもよい。少なくとも一実施例では、サービスは、非限定的な実例として、検出又はセグメント化のタスクを実行するために使用されてもよい推論のサーバ又はエンジンを含んでもよい。少なくとも一実施例では、機械学習モデルの訓練及び／又は再訓練の機能を提供することができるモデル訓練サービスが含まれてもよい。少なくとも一実施例では、ＧＰＵ加速化データ（たとえば、ＤＩＣＯＭ、ＲＩＳ、ＣＩＳ、ＲＥＳＴ準拠、ＲＰＣ、生など）の抽出、リサイズ、スケーリング、及び／又は他の拡張を提供することができるデータ拡張サービスがさらに含まれてもよい。少なくとも一実施例では、レイ・トレーシング、ラスタ化、ノイズ除去、鮮鋭化などの画像レンダリング効果を加えることができる視覚化サービスが使用されて、２次元（２Ｄ）及び／又は３次元（３Ｄ）のモデルにリアル感が付加されてもよい。少なくとも一実施例では、仮想機器のパイプライン内の他のアプリケーションについてビーム形成、セグメント化、推論、撮像、及び／又はサポートを実現する仮想機器サービスが含まれてもよい。
【0480】
少なくとも一実施例では、サービス３５２０がＡＩサービス（たとえば、推論サービス）を含む場合、異常検出（たとえば、腫瘍、発育異常、瘢痕化など）のためのアプリケーションに関連付けられた１つ又は複数の機械学習モデルは、機械学習モデル、又はその処理を、アプリケーション実行の一部として実行するように推論サービス（たとえば、推論サーバ）に（ＡＰＩコールとして）コールすることによって、実行されてもよい。少なくとも一実施例では、セグメント化タスクのための１つ又は複数の機械学習モデルを別のアプリケーションが含む場合、セグメント化タスクに関連付けられた処理動作のうちの１つ又は複数を実行するための機械学習モデルを実行するように、アプリケーションは推論サービスをコールしてもよい。少なくとも一実施例では、セグメント化アプリケーション及び異常検出アプリケーションを含む先進処理及び推論パイプラインを実装するソフトウェア３５１８は、１つ又は複数の推論タスクを実行するためにそれぞれのアプリケーションが同じ推論サービスをコールすることがあるので、合理化されてもよい。
【0481】
少なくとも一実施例では、ハードウェア３５２２は、ＧＰＵ、ＣＰＵ、グラフィックス・カード、ＡＩ／深層学習システム（たとえば、ＮＶＩＤＩＡのＤＧＸスーパーコンピュータ・システムなどのＡＩスーパーコンピュータ）、クラウド・プラットフォーム、又はそれらの組合せを含んでもよい。少なくとも一実施例では、異なるタイプのハードウェア３５２２を使用して、導入システム３５０６のソフトウェア３５１８及びサービス３５２０のための効率的で専用のサポートが提供されてもよい。少なくとも一実施例では、画像処理、画像再構築、セグメント化、ＭＲＩ検査、脳卒中又は心臓発作の（たとえばリアル・タイムの）検出、レンダリングの画像品質などの効率、精度、及び有効性を向上させるために、ＡＩ／深層学習システム内、クラウド・システム、及び／又は導入システム３５０６の他の処理構成要素において、ローカルで（たとえば、施設３５０２で）処理を行うためのＧＰＵ処理の使用が実装されてもよい。少なくとも一実施例では、施設は、撮像デバイス、ゲノミクス・デバイス、シーケンシング・デバイス、及び／又は他のタイプのデバイスを構内に含んでもよく、これらは、ＧＰＵを利用して、対象者の解剖学的組織を表す撮像データを生成してもよい。
【0482】
少なくとも一実施例では、ソフトウェア３５１８及び／又はサービス３５２０は、非限定的な実例として深層学習、機械学習、及び／又は高性能コンピューティングに関するＧＰＵ処理のために最適化されてもよい。少なくとも一実施例では、導入システム３５０６及び／又は訓練システム３５０４のコンピューティング環境のうちの少なくとも一部は、データセンタの１つ若しくは複数のスーパーコンピュータ、又は高性能コンピューティング・システムにおいて、ＧＰＵ最適化ソフトウェア（たとえば、ＮＶＩＤＩＡのＤＧＸシステムのハードウェアとソフトウェアの組合せ）を用いて実行されてもよい。少なくとも一実施例では、データセンタは、ＨＩＰＡＡの条項に準拠してもよく、したがって、撮像データ及び／又は他の患者データの受信、処理、及び送信は、患者データのプライバシーに関して安全に取り扱われる。少なくとも一実施例では、ハードウェア３５２２は、任意の数のＧＰＵを含んでもよく、これらのＧＰＵは、本明細書に記載するように、データの並列処理を実行するためにコールされてもよい。少なくとも一実施例では、クラウド・プラットフォームはさらに、深層学習タスク、機械学習タスク、又は他のコンピューティング・タスクのＧＰＵ最適化された実行のためのＧＰＵ処理を含んでもよい。少なくとも一実施例では、クラウド・プラットフォーム（たとえば、ＮＶＩＤＩＡのＮＧＣ）は、（たとえば、ＮＶＩＤＩＡのＤＧＸシステムによって提供される）ＡＩ／深層学習スーパーコンピュータ、及び／又はＧＰＵ最適化ソフトウェアをハードウェア抽象化及びスケーリングのプラットフォームとして使用して、実行されてもよい。少なくとも一実施例では、クラウド・プラットフォームは、シームレスなスケーリング及びロード・バランシングを可能にするために、複数のＧＰＵに対するアプリケーション・コンテナ・クラスタリング・システム又はオーケストレーション・システム（たとえば、ＫＵＢＥＲＮＥＴＥＳ）を統合してもよい。
【0483】
少なくとも一実施例では、図３５に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図３５に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図３５に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0484】
図３６は、少なくとも一実施例による撮像導入パイプラインを生成及び導入するための例示的システム３６００を示すシステム図である。少なくとも一実施例では、システム３６００は、図３５のプロセス３５００、及び／又は先進処理及び推論パイプラインを含む他のプロセスを実装するために使用されてもよい。少なくとも一実施例では、システム３６００は、訓練システム３５０４及び導入システム３５０６を含んでもよい。少なくとも一実施例では、訓練システム３５０４及び導入システム３５０６は、本明細書に記載するように、ソフトウェア３５１８、サービス３５２０、及び／又はハードウェア３５２２を使用して実装されてもよい。
【0485】
少なくとも一実施例では、システム３６００（たとえば、訓練システム３５０４及び／又は導入システム３５０６）は、クラウド・コンピューティング環境（たとえば、クラウド３６２６）において実装されてもよい。少なくとも一実施例では、システム３６００は、ヘルスケア・サービス施設に関してローカルに実装されてもよく、又はクラウドとローカル・コンピューティング・リソースの両方の組合せとして実装されてもよい。少なくとも一実施例では、クラウド・コンピューティングが実装される実施例では、ＨＩＰＡＡ並びに／又は他のデータ取扱い及びプライバシーの規定若しくは法律に準拠していない処理をレンダリングするシステム３６００の１つ又は複数の構成要素から、患者データは分離されてもよく、又はそれらによって処理されなくてもよい。少なくとも一実施例では、クラウド３６２６のＡＰＩへのアクセスは、制定されたセキュリティ対策又はプロトコルを介して許可されたユーザに限定されてもよい。少なくとも一実施例では、セキュリティ・プロトコルはウェブ・トークンを含んでもよく、このウェブ・トークンは、認証（たとえば、ＡｕｔｈＮ、ＡｕｔｈＺ、Ｇｌｕｅｃｏｎなど）のサービスによって署名されてもよく、適切な許可を持っていてもよい。少なくとも一実施例では、（本明細書に記載の）仮想機器のＡＰＩ、又はシステム３６００の他のインスタンス化は、対話について検査済み又は許可済みのパブリックＩＰのセットに限定されてもよい。
【0486】
少なくとも一実施例では、システム３６００の様々な構成要素は、有線及び／又は無線の通信プロトコルを介して、ローカル・エリア・ネットワーク（ＬＡＮ）及び／又は広域ネットワーク（ＷＡＮ）を含むがこれらに限定されない様々な異なるタイプのネットワークのうちの任意のものを使用して、相互に通信してもよい。少なくとも一実施例では、（たとえば推論要求を送信するため、推論要求の結果を受信するためなど）施設とシステム３６００の構成要素との間の通信は、１つ又は複数のデータ・バス、無線データ・プロトコル（Ｗｉ－Ｆｉ）、有線データ・プロトコル（たとえば、イーサネット（登録商標））などを介して通信されてもよい。
【0487】
少なくとも一実施例では、訓練システム３５０４は、図３５に関して本明細書に記載したものと同様の訓練パイプライン３６０４を実行してもよい。少なくとも一実施例では、１つ又は複数の機械学習モデルが導入システム３５０６により導入パイプライン３６１０において使用されることになる場合、訓練パイプライン３６０４を使用して、１つ又は複数の（たとえば、事前訓練された）モデルが訓練若しくは再訓練されてもよく、且つ／又は事前訓練されたモデル３６０６のうちの１つ又は複数が（たとえば再訓練若しくは更新を必要とせずに）実装されてもよい。少なくとも一実施例では、訓練パイプライン３６０４の結果として、出力モデル３５１６が生成されてもよい。少なくとも一実施例では、訓練パイプライン３６０４は、（たとえばＤＩＣＯＭ画像を、それぞれの機械学習モデルによって処理するのに適した別のフォーマット、たとえばＮｅｕｒｏｉｍａｇｉｎｇ Ｉｎｆｏｒｍａｔｉｃｓ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｉｔｉａｔｉｖｅ（ＮＩｆＴＩ）フォーマットなどに変換するためのＤＩＣＯＭアダプタ３６０２Ａを使用した）撮像データ（若しくは他の入力データ）の変換若しくは適合、ＡＩ支援アノテーション３５１０、ラベル付きクリニック・データ３５１２を生成するための撮像データ３５０８のラベル付け又はアノテーション付け、モデル・レジストリからのモデル選択、モデル訓練３５１４、モデルの訓練、再訓練、若しくは更新、及び／又は他の処理ステップなどであるがこれらに限定されない任意の数の処理ステップを含んでもよい。少なくとも一実施例では、導入システム３５０６によって使用される異なる機械学習モデルについて、異なる訓練パイプライン３６０４が使用されてもよい。少なくとも一実施例では、図３５に関して記載した第１の実例と同様の訓練パイプライン３６０４は、第１の機械学習モデルに使用されてもよく、図３５に関して記載した第２の実例と同様の訓練パイプライン３６０４は、第２の機械学習モデルに使用されてもよく、図３５に関して記載した第３の実例と同様の訓練パイプライン３６０４は、第３の機械学習モデルに使用されてもよい。少なくとも一実施例では、それぞれの各機械学習モデルに要求されるものに応じて、訓練システム３５０４内のタスクの任意の組合せが使用されてもよい。少なくとも一実施例では、機械学習モデルのうちの１つ又は複数は、すでに訓練済みで導入の準備が整っていてもよく、それにより機械学習モデルは、訓練システム３５０４によるいかなる処理も受けなくてもよく、導入システム３５０６によって実装されてもよい。
【0488】
少なくとも一実施例では、出力モデル３５１６及び／又は事前訓練されたモデル３６０６は、実装形態又は実施例に応じて任意のタイプの機械学習モデルを含んでもよい。少なくとも一実施例では、限定することなく、システム３６００によって使用される機械学習モデルは、線形回帰、ロジスティック回帰、決定木、サポート・ベクター・マシン（ＳＶＭ）、ナイーブ・ベイズ、ｋ近傍法（ｋ－ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒ：Ｋｎｎ）、ｋ平均クラスタリング、ランダム・フォレスト、次元縮小アルゴリズム、勾配ブースティング・アルゴリズム、ニューラル・ネットワーク（たとえば、オート・エンコーダ、畳み込み、再帰、パーセプトロン、長／短期メモリ（ＬＳＴＭ）、ホップフィールド、ボルツマン、ディープ・ビリーフ、逆畳み込み、敵対的生成、液体状態マシンなど）を使用する機械学習モデル、及び／又は他のタイプの機械学習モデルを含んでもよい。
【0489】
少なくとも一実施例では、訓練パイプライン３６０４は、少なくとも図３９Ｂに関して、より詳細に本明細書に記載するＡＩ支援アノテーションを含んでもよい。少なくとも一実施例では、ラベル付きクリニック・データ３５１２（たとえば、従来のアノテーション）は、任意の数の技法によって生成されてもよい。少なくとも一実施例では、ラベル又は他のアノテーションは、描画プログラム（たとえば、アノテーション・プログラム）、コンピュータ支援設計（ＣＡＤ）プログラム、ラベル付けプログラム、グラウンド・トゥルース用のアノテーション若しくはラベルの生成に適した別のタイプのプログラム内で生成されてもよく、且つ／又はいくつかの実例では、手書きされてもよい。少なくとも一実施例では、グラウンド・トゥルース・データは、合成により生成されてもよく（たとえば、コンピュータ・モデル又はレンダリングから生成されてもよく）、現実的に生成されてもよく（たとえば、実世界のデータから設計及び生成されてもよく）、機械自動化されてもよく（たとえば、特徴の分析及び学習を使用して、データから特徴を抽出し、次いでラベルを生成してもよく）、人間によりアノテーション付けされてもよく（たとえば、ラベラ、又はアノテーション専門家がラベルのロケーションを定義してもよく）、且つ／又はこれらの組合せであってもよい。少なくとも一実施例では、撮像データ３５０８のインスタンス（又は機械学習モデルによって使用される他のタイプのデータ）ごとに、訓練システム３５０４によって生成される対応するグラウンド・トゥルース・データが存在してもよい。少なくとも一実施例では、訓練パイプライン３６０４に含まれるＡＩ支援アノテーションに加えて又はその代わりに、導入パイプライン３６１０の一部としてＡＩ支援アノテーションが実行されてもよい。少なくとも一実施例では、システム３６００は多層プラットフォームを含んでもよく、このプラットフォームは、１つ又は複数の医療用撮像及び診断の機能を実行することができる診断アプリケーション（又は他のタイプのアプリケーション）のソフトウェア層（たとえば、ソフトウェア３５１８）を含んでもよい。少なくとも一実施例では、システム３６００は、１つ又は複数の施設のＰＡＣＳサーバ・ネットワークに、（たとえば、暗号化リンクを介して）通信可能に結合されてもよい。少なくとも一実施例では、システム３６００は、ＰＡＣＳサーバからのデータ（たとえば、ＤＩＣＯＭデータ、ＲＩＳデータ、生データ、ＣＩＳデータ、ＲＥＳＴ準拠データ、ＲＰＣデータ、生データなど）に（たとえば、ＤＩＣＯＭアダプタ３６０２、又はＲＩＳ、ＣＩＳ、ＲＥＳＴ準拠、ＲＰＣ、生など別のタイプのデータ・アダプタを介して）アクセスし、それを参照するように構成されて、機械学習モデルの訓練、機械学習モデルの導入、画像処理、推論、及び／又は他の動作などの動作を実行してもよい。
【0490】
少なくとも一実施例では、ソフトウェア層は、セキュアな、暗号化された、且つ／又は認証されたＡＰＩとして実装されてもよく、これを介して、アプリケーション又はコンテナが、外部環境（たとえば、施設３５０２）から呼び出し（たとえばコール）されてもよい。少なくとも一実施例では、次いでアプリケーションは、それぞれのアプリケーションに関連付けられた計算、ＡＩ、又は視覚化のタスクを実行するために１つ又は複数のサービス３５２０をコール又は実行してもよく、ソフトウェア３５１８及び／又はサービス３５２０は、ハードウェア３５２２を利用して、処理タスクを有効且つ効率的なやり方で実行してもよい。
【0491】
少なくとも一実施例では、導入システム３５０６は、導入パイプライン３６１０を実行してもよい。少なくとも一実施例では、導入パイプライン３６１０は任意の数のアプリケーションを含んでもよく、これらは、上に記載のＡＩ支援アノテーションを含め、撮像デバイス、シーケンシング・デバイス、ゲノミクス・デバイスなどによって生成された撮像データ（及び／又は他のタイプのデータ）に連続的に、非連続的に、又は他のやり方で適用されてもよい。少なくとも一実施例では、本明細書に記載するように、個々のデバイス用の導入パイプライン３６１０は、デバイス用の仮想機器（たとえば、仮想超音波機器、仮想ＣＴスキャン機器、仮想シーケンシング機器など）と呼ばれてもよい。少なくとも一実施例では、デバイスによって生成されるデータに必要な情報に応じて、１つのデバイスにつき２つ以上の導入パイプライン３６１０が存在してもよい。少なくとも一実施例では、異常検出がＭＲＩマシンに必要とされる場合、第１の導入パイプライン３６１０が存在してもよく、画像強調がＭＲＩマシンの出力に必要とされる場合、第２の導入パイプライン３６１０が存在してもよい。
【0492】
少なくとも一実施例では、導入パイプライン３６１０にとって利用可能なアプリケーションは、デバイスからの撮像データ又は他のデータに対して処理タスクを実行するために使用することができる任意のアプリケーションを含んでもよい。少なくとも一実施例では、画像強調、セグメント化、再構築、異常検出、物体検出、特徴検出、処置計画、線量測定、ビーム計画（又は他の放射線処置手順）、及び／又は他の分析、画像処理、又は推論のタスクを、異なるアプリケーションが担当してもよい。少なくとも一実施例では、導入システム３５０６は、それぞれのアプリケーションの構造を定義してもよく、それにより導入システム３５０６のユーザ（たとえば、医療施設、研修所、クリニックなど）は、構造を理解し、自らのそれぞれの施設内で実装できるようにアプリケーションを適応させてもよい。少なくとも一実施例では、導入パイプライン３６１０に含めるために、画像再構築用のアプリケーションが選択されてもよいが、撮像デバイスによって生成されるデータのタイプは、アプリケーション内で使用されるデータのタイプとは異なってもよい。少なくとも一実施例では、ＤＩＣＯＭアダプタ３６０２Ｂ（及び／又はＤＩＣＯＭリーダ）は、又は別のタイプのデータ・アダプタ若しくはリーダ（たとえば、ＲＩＳ、ＣＩＳ、ＲＥＳＴ準拠、ＲＰＣ、生など）が導入パイプライン３６１０内で使用されて、導入システム３５０６内のアプリケーションによって使用可能な形にデータを変換してもよい。少なくとも一実施例では、ＤＩＣＯＭ、ＲＩＳ、ＣＩＳ、ＲＥＳＴ準拠、ＲＰＣ、生、及び／又は他のタイプのデータ・ライブラリへのアクセスは、データに対する任意の畳み込み、色補正、鮮明度、ガンマ、及び／又は他の拡張を、デコード、抽出、及び／又は実行することを含め、累積され、事前処理されてもよい。少なくとも一実施例では、ＤＩＣＯＭ、ＲＩＳ、ＣＩＳ、ＲＥＳＴ準拠、ＲＰＣ、及び／又は生データは、順序なしであってもよく、収集されたデータを整理しソートするために、事前パスが実行されてもよい。少なくとも一実施例では、様々なアプリケーションは共通の画像動作を共有することがあるので、いくつかの実施例では、（たとえば、サービス３５２０の１つとして）データ拡張ライブラリを使用して、これらの動作が加速化されてもよい。少なくとも一実施例では、ＣＰＵ処理に依存する従来の処理手法のボトルネックを回避するために、並列コンピューティング・プラットフォーム３６３０を使用して、これらの処理タスクがＧＰＵ加速化されてもよい。
【0493】
少なくとも一実施例では、画像再構築アプリケーションは、機械学習モデルの使用を含む処理タスクを含んでもよい。少なくとも一実施例では、ユーザは、独自の機械学習モデルを使用すること、又はモデル・レジストリ３５２４から機械学習モデルを選択することを望む場合がある。少なくとも一実施例では、ユーザは、処理タスクを実行するために、独自の機械学習モデルを実装してもよく、又は機械学習モデルを選択してアプリケーションに含めてもよい。少なくとも一実施例では、アプリケーションは選択可能及びカスタマイズ可能であってもよく、アプリケーションの構造を定義することにより、特定のユーザ向けのアプリケーションの導入及び実装が、よりシームレスなユーザ・エクスペリエンスとして提示される。少なくとも一実施例では、システム３６００の他の特徴、たとえばサービス３５２０及びハードウェア３５２２などを利用することにより、導入パイプライン３６１０は、さらによりユーザ・フレンドリになることができ、より容易な統合を実現でき、より正確で、効率的で、タイムリーな結果を生み出すことができる。
【0494】
少なくとも一実施例では、導入システム３５０６はユーザ・インターフェース３６１４（たとえば、グラフィカル・ユーザ・インターフェース、ウェブ・インターフェースなど）を含んでもよく、これらは、アプリケーションを選択して導入パイプライン３６１０に含める、アプリケーションを構成する、アプリケーション又はそのパラメータ若しくは構造を修正又は変更する、セットアップ及び／又は導入中に導入パイプライン３６１０を使用しそれと対話する、且つ／又は他のやり方で導入システム３５０６と対話するために使用されてもよい。少なくとも一実施例では、訓練システム３５０４に関して図示されていないが、ユーザ・インターフェース３６１４（又は異なるユーザ・インターフェース）は、導入システム３５０６で使用するモデルを選択するため、訓練システム３５０４において訓練若しくは再訓練するモデルを選択するため、且つ／又は他のやり方で訓練システム３５０４と対話するために使用されてもよい。
【0495】
少なくとも一実施例では、アプリケーション・オーケストレーション・システム３６２８に加えてパイプライン・マネージャ３６１２を使用して、導入パイプライン３６１０のアプリケーション又はコンテナと、サービス３５２０及び／又はハードウェア３５２２との間で対話が管理されてもよい。少なくとも一実施例では、パイプライン・マネージャ３６１２は、アプリケーションからアプリケーションへの対話、アプリケーションからサービス３５２０への対話、及び／又はアプリケーション若しくはサービスからハードウェア３５２２への対話を容易にするように構成されてもよい。少なくとも一実施例では、ソフトウェア３５１８に含まれるように図示してあるが、これは限定を意図しておらず、（たとえば、図３７に示すものなど）いくつかの事例では、パイプライン・マネージャ３６１２は、サービス３５２０に含まれてもよい。少なくとも一実施例では、アプリケーション・オーケストレーション・システム３６２８（たとえば、Ｋｕｂｅｒｎｅｔｅｓ、ＤＯＣＫＥＲなど）は、コンテナ・オーケストレーション・システムを含んでもよく、このシステムは、アプリケーションを、調整、管理、スケーリング、及び導入のための論理ユニットとして、コンテナにグループ化することができる。少なくとも一実施例では、導入パイプライン３６１０からのアプリケーション（たとえば、再構築アプリケーション、セグメント化アプリケーションなど）を個々のコンテナに関連付けることより、各アプリケーションは自己完結型環境内（たとえば、カーネル・レベル）で実行して、スピード及び効率を向上させることができる。
【0496】
少なくとも一実施例では、各アプリケーション及び／又はコンテナ（又はその画像）は、個々に開発、修正、及び導入されてもよく（たとえば、第１のユーザ又は開発者が、第１のアプリケーションを開発、修正、及び導入し、第２のユーザ又は開発者が、第１のユーザ又は開発者とは別に第２のアプリケーションを開発、修正、及び導入してもよく）、これにより、別のアプリケーション又はコンテナのタスクに邪魔されることなく、１つのアプリケーション及び／又はコンテナのタスクに集中し、注意を払うことが可能になる。少なくとも一実施例では、異なるコンテナ間又はアプリケーション間の通信、及び協調が、パイプライン・マネージャ３６１２及びアプリケーション・オーケストレーション・システム３６２８によって支援されてもよい。少なくとも一実施例では、各コンテナ又はアプリケーションの予測される入力及び／又は出力が、（たとえば、アプリケーション又はコンテナの構造に基づき）システムによって知られている限り、アプリケーション・オーケストレーション・システム３６２８及び／又はパイプライン・マネージャ３６１２は、アプリケーション又はコンテナのそれぞれ間の通信、及びそれらの間でのリソースの共有を容易にすることができる。少なくとも一実施例では、導入パイプライン３６１０のアプリケーション又はコンテナのうちの１つ又は複数は、同じサービス及びリソースを共有することができるので、アプリケーション・オーケストレーション・システム３６２８は、様々なアプリケーション間又はコンテナ間でサービス又はリソースをオーケストレートし、ロード・バランシングを行い、共有を決定してもよい。少なくとも一実施例では、スケジューラを使用して、アプリケーション又はコンテナのリソース要件、これらのリソースの現在の使用量又は計画された使用量、及びリソースの利用可能性が追跡されてもよい。少なくとも一実施例では、こうしてスケジューラは、異なるアプリケーションにリソースを配分し、システムの要件及び利用可能性を考慮してアプリケーション間でリソースを分配してもよい。いくつかの実例では、スケジューラ（及び／又はアプリケーション・オーケストレーション・システム３６２８の他の構成要素）は、サービスの品質（ＱｏＳ）、（たとえば、リアル・タイム処理を実行するか、遅延処理を実行するかを決定するための）データ出力を必要とする緊急度など、システムに課される制約（たとえば、ユーザ制約）に基づき、リソースの利用可能性及び分配を決定してもよい。
【0497】
少なくとも一実施例では、導入システム３５０６のアプリケーション又はコンテナによって利用及び共有されるサービス３５２０は、計算サービス３６１６、ＡＩサービス３６１８、視覚化サービス３６２０、及び／又は他のタイプのサービスを含んでもよい。少なくとも一実施例では、アプリケーションは、サービス３５２０のうちの１つ又は複数をコール（たとえば実行）して、アプリケーションのための処理動作を実行してもよい。少なくとも一実施例では、計算サービス３６１６は、スーパーコンピューティング又は他の高性能コンピューティング（ＨＰＣ）のタスクを実行するために、アプリケーションによって利用されてもよい。少なくとも一実施例では、アプリケーションのうちの１つ又は複数を介してデータを実質的に同時に処理するため、且つ／又は１つのアプリケーションの１つ又は複数のタスクを実質的に同時に処理するために、計算サービス３６１６を利用して（たとえば、並列コンピューティング・プラットフォーム３６３０を使用して）並列処理が実行されてもよい。少なくとも一実施例では、並列コンピューティング・プラットフォーム３６３０（たとえば、ＮＶＩＤＩＡのＣＵＤＡ）は、ＧＰＵ（たとえば、ＧＰＵ３６２２）上での汎用コンピューティング（ＧＰＧＰＵ）を可能にしてもよい。少なくとも一実施例では、並列コンピューティング・プラットフォーム３６３０のソフトウェア層は、計算カーネルを実行するために仮想命令セット及びＧＰＵの並列計算要素へのアクセスを提供してもよい。少なくとも一実施例では、並列コンピューティング・プラットフォーム３６３０はメモリを含んでもよく、いくつかの実施例では、メモリは、複数のコンテナ間で、且つ／又は１つのコンテナ内の異なる処理タスク間で共有されてもよい。少なくとも一実施例では、複数のコンテナ、及び／又はコンテナ内の複数のプロセスが、並列コンピューティング・プラットフォーム３６３０のメモリの共有セグメントからの同じデータを使用するために（たとえば、アプリケーションの複数の異なるステージ、又は複数のアプリケーションが、同じ情報を処理する場合）、プロセス間通信（ＩＰＣ）コールが生成されてもよい。少なくとも一実施例では、データのコピーを作成し、データをメモリの異なるロケーションに移動（たとえば、読取り／書込みの動作）させるのではなく、メモリの同じロケーションの同じデータが、任意の数の処理タスクに（たとえば、同じ時間、異なる時間などに）使用されてもよい。少なくとも一実施例では、データが使用されて、処理の結果として新規データが生成されるとき、データの新規ロケーションのこの情報は、様々なアプリケーションに記憶され、それらの間で共有されてもよい。少なくとも一実施例では、データのロケーション及び更新済み又は修正済みのデータのロケーションは、コンテナ内でペイロードがどのように理解されるかという定義の一部であってもよい。
【0498】
少なくとも一実施例では、ＡＩサービス３６１８は、アプリケーションに関連付けられた（たとえば、アプリケーションの１つ又は複数の処理タスクを実行する役割を課された）機械学習モデルを実行するための推論サービスを実行するために利用されてもよい。少なくとも一実施例では、ＡＩサービス３６１８は、セグメント化、再構築、物体検出、特徴検出、分類、及び／又は他の推論タスクのための機械学習モデル（たとえば、ＣＮＮなどのニューラル・ネットワーク）を実行するために、ＡＩシステム３６２４を利用してもよい。少なくとも一実施例では、導入パイプライン３６１０のアプリケーションは、訓練システム３５０４からの出力モデル３５１６及び／又はアプリケーションの他のモデルのうちの１つ又は複数を使用して、撮像データ（たとえば、ＤＩＣＯＭデータ、ＲＩＳデータ、ＣＩＳデータ、ＲＥＳＴ準拠データ、ＲＰＣデータ、生データなど）について推論を実行してもよい。少なくとも一実施例では、アプリケーション・オーケストレーション・システム３６２８（たとえば、スケジューラ）を使用する推論の２つ以上の実例が利用可能であってもよい。少なくとも一実施例では、第１のカテゴリは、緊急時の緊急要求について推論を実行するため、又は診断時の放射線医のためなど、より高いサービス・レベル合意を達成できる高優先順位／低レイテンシの経路を含むことができる。少なくとも一実施例では、第２のカテゴリは、緊急ではない要求のため、又は分析が後で実行されてもよい場合に使用することができる標準優先順位の経路を含んでもよい。少なくとも一実施例では、アプリケーション・オーケストレーション・システム３６２８は、ＡＩサービス３６１８の異なる推論タスク向けの優先順位経路に基づき、リソース（たとえば、サービス３５２０及び／又はハードウェア３５２２）を分配してもよい。
【0499】
少なくとも一実施例では、共有ストレージが、システム３６００内でＡＩサービス３６１８に取り付けられてもよい。少なくとも一実施例では、共有ストレージは、キャッシュ（又は他のタイプのストレージ・デバイス）として動作してもよく、アプリケーションからの推論要求を処理するために使用されてもよい。少なくとも一実施例では、推論要求が送出されたとき、要求は、導入システム３５０６のＡＰＩインスタンスのセットによって受信されてもよく、１つ又は複数のインスタンスが（たとえば、最良な適合のため、ロード・バランシングのためなどに）選択されて、要求が処理されてもよい。少なくとも一実施例では、要求を処理するために、要求がデータベースに入れられてもよく、機械学習モデルは、まだキャッシュにない場合には、モデル・レジストリ３５２４から特定されてもよく、検証ステップは、適切な機械学習モデルがキャッシュ（たとえば、共有ストレージ）に確実にロードされるようにしてもよく、且つ／又はモデルのコピーがキャッシュに保存されてもよい。少なくとも一実施例では、アプリケーションがまだ実行されていない場合、又はアプリケーションの充分なインスタンスが存在しない場合には、スケジューラ（たとえば、パイプライン・マネージャ３６１２）を使用して、要求において参照されたアプリケーションが起動されてもよい。少なくとも一実施例では、モデルを実行するための推論サーバがまだ起動されていない場合には、推論サーバが起動されてもよい。少なくとも一実施例では、任意の数の推論サーバがモデルごとに起動されてもよい。少なくとも一実施例では、推論サーバがクラスタ化済みであるプル・モデルでは、ロード・バランシングが有利な場合にはいつでもモデルがキャッシュされてもよい。少なくとも一実施例では、推論サーバは、対応する分散サーバに静的にロードされてもよい。
【0500】
少なくとも一実施例では、推論は、コンテナ内で実行される推論サーバを使用して実行されてもよい。少なくとも一実施例では、推論サーバのインスタンスは、モデルに（任意選択でモデルの複数のバージョンに）関連付けられてもよい。少なくとも一実施例では、モデルに対して推論を実行する要求が受信されたとき、推論サーバのインスタンスが存在しない場合には、新規のインスタンスがロードされてもよい。少なくとも一実施例では、推論サーバをスタートするとき、モデルが推論サーバに渡されてもよく、それにより、推論サーバが異なるインスタンスとして実行されている限り、同じコンテナを使用して異なるモデルにサービス提供されてもよい。
【0501】
少なくとも一実施例では、アプリケーションの実行中、所与のアプリケーションについて推論要求が受信されてもよく、（たとえば、推論サーバのインスタンスをホストする）コンテナが（まだロードされていなければ）ロードされてもよく、開始プロシージャがコールされてもよい。少なくとも一実施例では、コンテナの事前処理論理が、（たとえばＣＰＵ及び／又はＧＰＵを使用して）入力データに対する任意の追加的な事前処理をロード、デコード、及び／又は実行してもよい。少なくとも一実施例では、推論のためにデータが準備されると、コンテナは、必要に応じてデータに推論を実行してもよい。少なくとも一実施例では、これは１つの画像（たとえば手のＸ線）に対する単一の推論コールを含んでもよく、又は何百もの画像（たとえば胸のＣＴ）について推論を要求してもよい。少なくとも一実施例では、アプリケーションは、完了前に結果を要約してもよく、これは限定することなく、単一の信頼性スコア、ピクセル・レベルのセグメント化、ボクセル・レベルのセグメント化、視覚化の生成、又は所見を要約するためのテキストの生成を含んでもよい。少なくとも一実施例では、異なるモデル又はアプリケーションには、異なる優先順位が割り当てられてもよい。たとえば、リアル・タイム（ＴＡＴ１分未満）の優先順位を有するモデルもあれば、低優先順位（たとえば、ＴＡＴ１０分未満）を有するモデルもある。少なくとも一実施例では、モデル実行時間は、要求元の施設又はエンティティから測定されてもよく、推論サービスに対する実行に加えてパートナ・ネットワーク横断時間を含んでもよい。
【0502】
少なくとも一実施例では、サービス３５２０と推論アプリケーションの間での要求の移行は、ソフトウェア開発キット（ＳＤＫ）の後ろに隠されてもよく、キューを通して頑健な移送が提供されてもよい。少なくとも一実施例では、個々のアプリケーション／テナントＩＤの組合せを求めて、要求がＡＰＩを介してキューに入れられ、ＳＤＫは、キューから要求を引き出し、要求をアプリケーションに与える。少なくとも一実施例では、ＳＤＫが要求をピックアップする環境において、キューの名称が提供されてもよい。少なくとも一実施例では、キューを介した非同期の通信は、その通信が利用可能になったときに、その通信によって、アプリケーションの任意のインスタンスがワークをピックアップできるようになるので、有用な場合がある。少なくとも一実施例では、結果はキューを介して返送されて、データが失われないようにしてもよい。少なくとも一実施例では、最高優先順位のワークは、アプリケーションのほとんどのインスタンスがキューに接続された状態のキューに進むことができ、一方で最低優先順位のワークは、１つのインスタンスがキューに接続された状態の、受信した順番にタスクを処理するキューに進むことができるので、キューは、ワークをセグメント化する機能も提供することができる。少なくとも一実施例では、アプリケーションは、クラウド３６２６に生成されたＧＰＵ加速インスタンス上で実行されてもよく、推論サービスは、ＧＰＵ上で推論を実行してもよい。
【0503】
少なくとも一実施例では、視覚化サービス３６２０を利用して、アプリケーション及び／又は導入パイプライン３６１０の出力を見るための視覚化が生成されてもよい。少なくとも一実施例では、視覚化を生成するために、視覚化サービス３６２０によってＧＰＵ３６２２が利用されてもよい。少なくとも一実施例では、レイ・トレーシングなどのレンダリング効果が、視覚化サービス３６２０によって実装されて、より高品質の視覚化が生成されてもよい。少なくとも一実施例では、視覚化は、２Ｄ画像のレンダリング、３Ｄボリュームのレンダリング、３Ｄボリュームの再構築、２Ｄトモグラフィ・スライス、仮想現実表示、拡張現実表示などを、限定することなく含んでもよい。少なくとも一実施例では、仮想化された環境を使用して、システムのユーザ（たとえば、医師、看護師、放射線医など）が対話するための仮想のインタラクティブ表示又はインタラクティブ環境（たとえば、仮想環境）が生成されてもよい。少なくとも一実施例では、視覚化サービス３６２０は、内部ビジュアライザ、シネマティクス、及び／又は他のレンダリング若しくは画像処理の能力若しくは機能（たとえば、レイ・トレーシング、ラスタ化、内部光学など）を含んでもよい。
【0504】
少なくとも一実施例では、ハードウェア３５２２は、ＧＰＵ３６２２、ＡＩシステム３６２４、クラウド３６２６、並びに／又は訓練システム３５０４及び／若しくは導入システム３５０６を実行するために使用される任意の他のハードウェアを含んでもよい。少なくとも一実施例では、ＧＰＵ３６２２（たとえば、ＮＶＩＤＩＡのＴＥＳＬＡ及び／又はＱＵＡＤＲＯのＧＰＵ）は、任意の数のＧＰＵを含んでもよく、これらは、計算サービス３６１６、ＡＩサービス３６１８、視覚化サービス３６２０、他のサービス、及び／又はソフトウェア３５１８の任意の特徴若しくは機能の処理タスクを実行するために使用されてもよい。たとえば、ＡＩサービス３６１８に関して、ＧＰＵ３６２２を使用して、撮像データ（又は機械学習モデルによって使用される他のタイプのデータ）に対して事前処理が実行されてもよく、機械学習モデルの出力に対して事後処理が実行されてもよく、且つ／又は推論が実行されてもよい（たとえば、機械学習モデルが実行されてもよい）。少なくとも一実施例では、クラウド３６２６、ＡＩシステム３６２４、及び／又はシステム３６００の他の構成要素は、ＧＰＵ３６２２を使用してもよい。少なくとも一実施例では、クラウド３６２６は、深層学習タスクのためにＧＰＵ最適化されたプラットフォームを含んでもよい。少なくとも一実施例では、ＡＩシステム３６２４は、ＧＰＵを使用してもよく、クラウド３６２６、又は深層学習若しくは推論の役割を課された少なくとも一部分は、１つ又は複数のＡＩシステム３６２４を使用して実行されてもよい。したがって、ハードウェア３５２２は、個別構成要素として示されているが、これは限定を意図したものではなく、ハードウェア３５２２の任意の構成要素が、ハードウェア３５２２の任意の他の構成要素と組み合わされてもよく、それらによって利用されてもよい。
【0505】
少なくとも一実施例では、ＡＩシステム３６２４は、推論、深層学習、機械学習、及び／又は他の人工知能タスク向けに構成された専用のコンピューティング・システム（たとえば、スーパーコンピュータ又はＨＰＣ）を含んでもよい。少なくとも一実施例では、ＡＩシステム３６２４（たとえば、ＮＶＩＤＩＡのＤＧＸ）は、ＧＰＵ最適化されたソフトウェア（たとえば、ソフトウェア・スタック）を含んでもよく、これは、ＣＰＵ、ＲＡＭ、ストレージ、及び／又は他の構成要素、特徴、若しくは機能に加えて、複数のＧＰＵ３６２２を使用して実行されてもよい。少なくとも一実施例では、１つ又は複数のＡＩシステム３６２４は、システム３６００の一部又はすべてのＡＩベースの処理タスクを実行するために、（たとえば、データ・センタにおいて）クラウド３６２６に実装されてもよい。
【0506】
少なくとも一実施例では、クラウド３６２６は、ＧＰＵ加速化インフラストラクチャ（たとえば、ＮＶＩＤＩＡのＮＧＣ）を含んでもよく、これは、システム３６００の処理タスクを実行するためのＧＰＵ最適化されたプラットフォームを提供してもよい。少なくとも一実施例では、クラウド３６２６は、システム３６００のＡＩベースのタスクのうちの１つ又は複数を実行するためのＡＩシステム３６２４を（たとえば、ハードウェア抽象化及びスケーリングのプラットフォームとして）含んでもよい。少なくとも一実施例では、クラウド３６２６は、複数のＧＰＵを利用してアプリケーション・オーケストレーション・システム３６２８と統合されて、アプリケーションとサービス３５２０の間でシームレスなスケーリング及びロード・バランシングを可能にしてもよい。少なくとも一実施例では、クラウド３６２６は、本明細書に記載する計算サービス３６１６、ＡＩサービス３６１８、及び／又は視覚化サービス３６２０を含むシステム３６００のサービス３５２０の少なくとも一部を実行する役割を課されてもよい。少なくとも一実施例では、クラウド３６２６は、大小のバッチ推論（たとえば、ＮＶＩＤＩＡのテンソルＲＴの実行）を実行してもよく、加速化された並列コンピューティングのＡＰＩ及びプラットフォーム３６３０（たとえば、ＮＶＩＤＩＡのＣＵＤＡ）を提供してもよく、アプリケーション・オーケストレーション・システム３６２８（たとえば、ＫＵＢＥＲＮＥＴＥＳ）を実行してもよく、グラフィックス・レンダリングのＡＰＩ及びプラットフォーム（たとえば、高品質のシネマティクスを生成するためのレイ・トレーシング、２Ｄグラフィックス、３Ｄグラフィックス、及び／又は他のレンダリング技法）を提供してもよく、且つ／又はシステム３６００のための他の機能を提供してもよい。
【0507】
少なくとも一実施例では、患者の機密性を保護するために（たとえば、患者のデータ又は記録が構外で使用されることになる場合）、クラウド３６２６は、深層学習コンテナ・レジストリなどのレジストリを含んでもよい。少なくとも一実施例では、レジストリは、患者データに対する事前処理、事後処理、又は他の処理タスクを実行できるアプリケーションのインスタンス化のためのコンテナを記憶してもよい。少なくとも一実施例では、クラウド３６２６は、患者データ並びにセンサ・データをコンテナに含むデータを受信してもよく、これらのコンテナにおいてセンサ・データについてのみ要求された処理を実行してもよく、次いで、いずれも患者データを抽出、記憶、又は他のやり方でそれにアクセスする必要なしに、結果の出力及び／又は視覚化を適切なパーティ及び／又はデバイス（たとえば、視覚化又は診断に使用される構内の医療デバイス）に転送してもよい。少なくとも一実施例では、患者データの機密性は、ＨＩＰＡＡ及び／又は他のデータ規定に準拠して保護される。
【0508】
少なくとも一実施例では、図３６に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図３６に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図３６に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0509】
図３７は、少なくとも一実施例による、撮像データを処理するための導入パイプライン３６１０Ａの実例の図を含む。少なくとも一実施例では、システム３６００、具体的には導入システム３５０６は、導入パイプライン３６１０Ａをカスタマイズ、更新、及び／又は統合して１つ若しくは複数の生成環境にするために使用されてもよい。少なくとも一実施例では、図３７の導入パイプライン３６１０Ａは、施設（たとえば、病院、クリニック、研究所、リサーチ環境など）において特定のユーザ（又はユーザのチーム）によってカスタム定義できる導入パイプライン３６１０Ａの非限定的な実例を含む。少なくとも一実施例では、ＣＴスキャナ３７０２用に導入パイプライン３６１０Ａを定義するために、ユーザは、ＣＴスキャナ３７０２によって生成される撮像データに対して特定の機能又はタスクを実行する１つ又は複数のアプリケーションを、たとえばコンテナ・レジストリから選択してもよい。少なくとも一実施例では、アプリケーションは、システム３６００のサービス３５２０及び／又はハードウェア３５２２を利用できるコンテナとして、導入パイプライン３６１０Ａに適用されてもよい。さらに、導入パイプライン３６１０Ａは、アプリケーションによって使用されるデータを準備するように実装することができる追加の処理タスク又はアプリケーションを含んでもよい（たとえば、ＤＩＣＯＭアダプタ３６０２Ｂ及びＤＩＣＯＭリーダ３７０６が、導入パイプライン３６１０Ａにおいて使用されて、ＣＴ再構築３７０８、器官セグメント化３７１０などによって使用されるデータを準備してもよい）。少なくとも一実施例では、導入パイプライン３６１０Ａは、一貫性のある導入、１回限りの使用、又は別の頻度若しくは間隔に合わせてカスタマイズ又は選択されてもよい。少なくとも一実施例では、ユーザは、特定の間隔で何人かの対象者について、ＣＴ再構築３７０８及び器官セグメント化３７１０を行いたいと思うことがあり、したがって、その期間にわたってパイプライン３６１０Ａを導入してもよい。少なくとも一実施例では、ユーザはシステム３６００からの要求ごとに、その要求のためにそのデータに対してユーザが実行したい処理のアプリケーションを選択してもよい。少なくとも一実施例では、導入パイプライン３６１０Ａは、任意の間隔で調節されてもよく、システム３６００内のコンテナ構造は適応性及びスケーラビリティがあるので、これはシームレスなプロセスとすることができる。
【0510】
少なくとも一実施例では、図３７の導入パイプライン３６１０Ａは、患者又は対象者の撮像データを生成するＣＴスキャナ３７０２を含んでもよい。少なくとも一実施例では、ＣＴスキャナ３７０２からの撮像データは、ＣＴスキャナ３７０２を収容する施設に関連付けられたＰＡＣＳサーバ３７０４に記憶されてもよい。少なくとも一実施例では、ＰＡＣＳサーバ３７０４は、ソフトウェア及び／又はハードウェアの構成要素を含んでもよく、これらは施設において撮像モダリティ（たとえば、ＣＴスキャナ３７０２）と直接インターフェースをとってもよい。少なくとも一実施例では、ＤＩＣＯＭアダプタ３６０２Ｂは、ＤＩＣＯＭプロトコルを使用してＤＩＣＯＭ物体の送信及び受信を可能にしてもよい。少なくとも一実施例では、ＤＩＣＯＭアダプタ３６０２Ｂは、導入パイプライン３６１０Ａによって使用するために、ＰＡＣＳサーバ３７０４からのＤＩＣＯＭデータの準備又は構成を支援してもよい。少なくとも一実施例では、ＤＩＣＯＭデータがＤＩＣＯＭアダプタ３６０２Ｂを介して処理されると、パイプライン・マネージャ３６１２は、導入パイプライン３６１０Ａを通るようにデータをルーティングしてもよい。少なくとも一実施例では、ＤＩＣＯＭリーダ３７０６は、画像ファイル及び関連する任意のメタデータをＤＩＣＯＭデータ（たとえば、視覚化３７１６Ａに示す生のシノグラム・データ）から抽出してもよい。少なくとも一実施例では、抽出された作業ファイルは、導入パイプライン３６１０Ａの他のアプリケーションによってより高速に処理できるようにキャッシュに記憶されてもよい。少なくとも一実施例では、ＤＩＣＯＭリーダ３７０６がデータの抽出及び／又は記憶を終了したら、完了信号がパイプライン・マネージャ３６１２に通信されてもよい。少なくとも一実施例では、次いでパイプライン・マネージャ３６１２は、導入パイプライン３６１０Ａ内の１つ又は複数の他のアプリケーション若しくはコンテナを開始してもよく、又はそれをコールしてもよい。
【0511】
少なくとも一実施例では、ＣＴ再構築３７０８のアプリケーションによる処理のためにデータ（たとえば、生のシノグラム・データ）が利用可能になると、ＣＴ再構築３７０８のアプリケーション及び／又はコンテナが実行されてもよい。少なくとも一実施例では、ＣＴ再構築３７０８は、生のシノグラム・データをキャッシュから読み取り、生のシノグラム・データから（たとえば、視覚化３７１６Ｂに示す）画像ファイルを再構築し、結果として生じる画像ファイルをキャッシュに記憶してもよい。少なくとも一実施例では、再構築の完了時、パイプライン・マネージャ３６１２は、再構築タスクが完了したことを通知されてもよい。少なくとも一実施例では、再構築が完了し、再構築された画像ファイルがキャッシュ（又は他のストレージ・デバイス）に記憶されると、器官セグメント化３７１０のアプリケーション及び／又はコンテナが、パイプライン・マネージャ３６１２によってトリガされてもよい。少なくとも一実施例では、器官セグメント化３７１０のアプリケーション及び／又はコンテナは、キャッシュから画像ファイルを読み取り、画像ファイルを推論に適したフォーマットに正規化又は変換し（たとえば、画像ファイルを機械学習モデルの入力解像度に変換し）、正規化された画像に対して推論を実行してもよい。少なくとも一実施例では、正規化された画像に対して推論を実行するために、器官セグメント化３７１０のアプリケーション及び／又はコンテナは、サービス３５２０に依存してもよく、パイプライン・マネージャ３６１２及び／又はアプリケーション・オーケストレーション・システム３６２８は、器官セグメント化３７１０のアプリケーション及び／又はコンテナによるサービス３５２０の使用を容易にしてもよい。少なくとも一実施例では、たとえば器官セグメント化３７１０のアプリケーション及び／又はコンテナは、ＡＩサービス３６１８を利用して正規化画像に対して推論を実行してもよく、ＡＩサービス３６１８はハードウェア３５２２（たとえば、ＡＩシステム３６２４）を利用してＡＩサービス３６１８を実行してもよい。少なくとも一実施例では、推論の結果は（たとえば、視覚化３７１６Ｃに示す）マスク・ファイルであってもよく、このファイルはキャッシュ（又は他のストレージ・デバイス）に記憶されてもよい。
【0512】
少なくとも一実施例では、ＤＩＣＯＭデータ及び／又はＤＩＣＯＭデータから抽出されたデータを処理するアプリケーションが処理を完了したら、パイプライン・マネージャ３６１２向けに信号が生成されてもよい。少なくとも一実施例では、次いでパイプライン・マネージャ３６１２は、ＤＩＣＯＭライタ３７１２を実行してキャッシュ（又は他のストレージ・デバイス）から結果を読み取り、要求を生成した施設のユーザによる使用のため、結果をＤＩＣＯＭフォーマットに（たとえば、ＤＩＣＯＭ出力３７１４として）パッケージ化してもよい。少なくとも一実施例では、次いでＤＩＣＯＭ出力３７１４は、ＤＩＣＯＭアダプタ３６０２Ｂに送信されて、（たとえば、施設のＤＩＣＯＭビューワによる視聴のために）ＰＡＣＳサーバ３７０４に記憶するようにＤＩＣＯＭ出力３７１４が準備されてもよい。少なくとも一実施例では、再構築及びセグメント化の要求に応答して、視覚化３７１６Ｂ及び３７１６Ｃが生成され、診断、リサーチ、及び／又は他の目的のためにユーザにとって利用可能にされてもよい。
【0513】
導入パイプライン３６１０Ａでは連続したアプリケーションとして示されているが、ＣＴ再構築３７０８及び器官セグメント化３７１０のアプリケーションは、少なくとも一実施例において並列で処理されてもよい。少なくとも一実施例では、アプリケーションが互いに依存性を有しておらず、（たとえば、ＤＩＣＯＭリーダ３７０６がデータを抽出した後に）アプリケーションごとにデータが利用可能である場合、アプリケーションは同時に、実質的に同時に、又は一部が重なって実行されてもよい。少なくとも一実施例では、２つ以上のアプリケーションが同様のサービス３５２０を要求する場合、システム３６００のスケジューラを使用して、様々なアプリケーション間で計算又は処理のリソースのロード・バランシングが行われ、それらを分散させてもよい。少なくとも一実施例では、いくつかの実施例において、導入パイプライン３６１０Ａのラン・タイムを短縮してリアル・タイムの結果を提供するために、並列コンピューティング・プラットフォーム３６３０を使用してアプリケーションのための並列処理が実行されてもよい。
【0514】
少なくとも一実施例では、図３８Ａ～図３８Ｂを参照すると、導入システム３５０６は、画像処理、セグメント化、強調、ＡＩ、視覚化、及び推論などの異なる機能を、撮像デバイス（たとえば、ＣＴスキャナ、Ｘ線機械、ＭＲＩ機械など）、シーケンシング・デバイス、ゲノミクス・デバイス、及び／又は他のタイプのデバイスを用いて実行するための１つ又は複数の仮想機器として実装されてもよい。少なくとも一実施例では、システム３６００は、ソフトウェア定義された導入パイプライン３６１０を含むことができる仮想機器の生成及び提供を可能にしてもよく、この導入パイプライン３６１０は、デバイスによって生成された生／未処理の入力データを受信し、処理済み／再構築済みのデータを出力してもよい。少なくとも一実施例では、仮想機器を表す導入パイプライン３６１０（たとえば、３６１０Ａ及び３６１０Ｂ）は、機械学習モデルを利用することなどにより、知能をパイプラインに実装して、コンテナ化された推論サポートをシステムに提供してもよい。少なくとも一実施例では、仮想機器は、アプリケーションのインスタンス化をそれぞれが含む任意の数のコンテナを実行してもよい。少なくとも一実施例では、リアル・タイムの処理が望ましい場合などでは、仮想機器を表す導入パイプライン３６１０は静的であってもよく（たとえば、コンテナ及び／又はアプリケーションが設定されていてもよく）、一方他の実例では、仮想機器用のコンテナ及び／又はアプリケーションが、アプリケーション又はリソースのプール（たとえばコンテナ・レジストリ内）から（たとえば要求ごとに）選択されてもよい。
【0515】
少なくとも一実施例では、システム３６００は、たとえば施設の放射線機械、撮像デバイス、及び／又は別のタイプのデバイスに隣接して導入された、又は他のやり方でそれらと通信するコンピューティング・システムにおいて、施設構内の１つ又は複数の仮想機器としてインスタンス化されてもよく、又は実行されてもよい。しかし少なくとも一実施例では、構内でのインストールは、（たとえば、撮像デバイスに統合されたコンピューティング・システム）デバイス自体のコンピューティング・システム内で、ローカルなデータセンタ（たとえば、構内のデータセンタ）で、及び／又はクラウド環境（たとえば、クラウド３６２６）でインスタンス化又は実行されてもよい。少なくとも一実施例では、仮想機器として動作する導入システム３５０６は、いくつかの実例においてスーパーコンピュータ又は他のＨＰＣシステムによってインスタンス化されてもよい。少なくとも一実施例では、構内でのインストールにより、リアル・タイムの処理のために（たとえば、イーサネット（登録商標）を介したＲＦなど、高スループットのローカル通信インターフェースを介した）高帯域の使用が可能になる。少なくとも一実施例では、リアル・タイム又はほぼリアル・タイムの処理は、正確な診断及び分析のために即時の視覚化が期待され必要とされる超音波デバイス又は他の撮像モダリティを仮想機器がサポートする場合に、特に有用なことがある。少なくとも一実施例では、ローカルな要求が構内の容量又は能力を超過するとき、クラウド・コンピューティング・アーキテクチャは、クラウド・コンピューティングのサービス・プロバイダ又は他の計算クラスタに対する動的バーストを実行することができる。少なくとも一実施例では、クラウド・アーキテクチャは、実装されると、訓練システム３５０４に関して本明細書に記載のニューラル・ネットワーク又は他の機械学習モデルを訓練するように調整されてもよい。少なくとも一実施例では、訓練パイプラインが定位置にあるとき、機械学習モデルは、それがサポートするデバイスからの追加データを処理するとき、継続的に学習及び改善してもよい。少なくとも一実施例では、仮想機器は、追加データ、新規データ、既存の機械学習モデル、及び／又は新規若しくは更新済みの機械学習モデルを使用して、継続的に改善されてもよい。
【0516】
少なくとも一実施例では、コンピューティング・システムは、本明細書に記載のハードウェア３５２２の一部又はすべてを含んでもよく、ハードウェア３５２２は、デバイス内、デバイスに結合され近位に位置するコンピューティング・デバイスの一部として、施設のローカル・データセンタ内、及び／又はクラウド３６２６内を含む複数のやり方のうちの任意のやり方で分散されてもよい。少なくとも一実施例では、導入システム３５０６及び関連付けられたアプリケーション又はコンテナは、ソフトウェアに（たとえば、アプリケーションの個別のコンテナ化インスタンスとして）生成されるので、仮想機器の挙動、動作、及び構成、並びに仮想機器によって生成される出力は、仮想機器がサポートするデバイスの生の出力を変える又は変更する必要なしに、望み通りに修正又はカスタマイズされることが可能である。
【0517】
少なくとも一実施例では、図３７に描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図３７に描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図３７に描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0518】
図３８Ａは、少なくとも一実施例による、超音波デバイスをサポートする仮想器具の例示的データ・フロー図を含む。少なくとも一実施例では、導入パイプライン３６１０Ｂは、システム３６００のサービス３５２０のうちの１つ又は複数を利用してもよい。少なくとも一実施例では、導入パイプライン３６１０Ｂ及びサービス３５２０は、ローカルかクラウド３６２６のいずれかにおいて、システムのハードウェア３５２２を利用してもよい。少なくとも一実施例では、図示していないが、プロセス３８００は、パイプライン・マネージャ３６１２、アプリケーション・オーケストレーション・システム３６２８、及び／又は並列コンピューティング・プラットフォーム３６３０によって促進されてもよい。
【0519】
少なくとも一実施例では、プロセス３８００は、超音波デバイス３８０２から撮像データを受信することを含んでもよい。少なくとも一実施例では、撮像データは、ＤＩＣＯＭフォーマット（又はＲＩＳ、ＣＩＳ、ＲＥＳＴ準拠、ＲＰＣ、生などの他のフォーマット）でＰＡＣＳサーバに記憶されてもよく、超音波デバイス３８０２用の仮想機器（たとえば仮想超音波）として選択又はカスタマイズされた導入パイプライン３６１０を通して処理するために、システム３６００によって受信されてもよい。少なくとも一実施例では、撮像データは、撮像デバイス（たとえば、超音波デバイス３８０２）から直接受信されてもよく、仮想機器によって処理されてもよい。少なくとも一実施例では、撮像デバイスと仮想機器との間に通信可能に結合されたトランスデューサ又は他の信号変換器は、撮像デバイスによって生成された信号データを、仮想機器によって処理することができる画像データに変換してもよい。少なくとも一実施例では、生データ及び／又は画像データは、導入パイプライン３６１０Ｂのアプリケーション又はコンテナによって使用されるデータを抽出するために、ＤＩＣＯＭリーダ３７０６に適用されてもよい。少なくとも一実施例では、ＤＩＣＯＭリーダ３７０６は、アプリケーション又はコンテナによって使用されるデータを抽出、リサイズ、リスケーリング、及び／又は他のやり方で準備するためのサービス３５２０として（たとえば、計算サービス３６１６のうちの１つとして）、データ拡張ライブラリ３８１４（たとえば、ＮＶＩＤＩＡのＤＡＬＩ（登録商標））を利用してもよい。
【0520】
少なくとも一実施例では、データが準備されると、再構築３８０６のアプリケーション及び／又はコンテナが実行されて、超音波デバイス３８０２からのデータが画像ファイルに再構築されてもよい。少なくとも一実施例では、再構築３８０６の後、又は再構築３８０６と同時に、検出３８０８のアプリケーション及び／又はコンテナが、異常検出、物体検出、特徴検出、及び／又はデータに関する他の検出タスクのために実行されてもよい。少なくとも一実施例では、再構築３８０６中に生成された画像ファイルは、検出３８０８中に使用されて、異常、物体、特徴などが識別されてもよい。少なくとも一実施例では、検出３８０８のアプリケーションは、推論エンジン３８１６を（たとえば、ＡＩサービス３６１８のうちの１つとして）利用して、データについて推論を実行して検出を生成してもよい。少なくとも一実施例では、（たとえば、訓練システム３５０４からの）１つ又は複数の機械学習モデルは、検出３８０８のアプリケーションによって実行又はコールされてもよい。
【0521】
少なくとも一実施例では、再構築３８０６及び／又は検出３８０８が完了すると、これらのアプリケーション及び／又はコンテナからのデータ出力を使用して、ワークステーション又はディスプレイ端末に表示される視覚化３８１２（たとえば、グレースケール出力）などの視覚化３８１０が生成されてもよい。少なくとも一実施例では、視覚化により、超音波デバイス３８０２に対する導入パイプライン３６１０Ｂの結果を、技術者又は他のユーザが視覚化できるようになる。少なくとも一実施例では、視覚化３８１０は、システム３６００のレンダリング構成要素３８１８（たとえば、視覚化サービス３６２０のうちの１つ）を利用することによって、実行されてもよい。少なくとも一実施例では、レンダリング構成要素３８１８は、２Ｄ、ＯｐｅｎＧＬ、又はレイ・トレーシングのサービスを実行して、視覚化３８１２を生成してもよい。
【0522】
少なくとも一実施例では、図３８Ａに描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図３８Ａに描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図３８Ａに描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0523】
図３８Ｂは、少なくとも一実施例による、ＣＴスキャナをサポートする仮想器具の例示的データ・フロー図を含む。少なくとも一実施例では、導入パイプライン３６１０Ｃは、システム３６００のサービス３５２０のうちの１つ又は複数を利用してもよい。少なくとも一実施例では、導入パイプライン３６１０Ｃ及びサービス３５２０は、ローカルかクラウド３６２６のいずれかにおいて、システムのハードウェア３５２２を利用してもよい。少なくとも一実施例では、図示していないが、プロセス３８２０は、パイプライン・マネージャ３６１２、アプリケーション・オーケストレーション・システム３６２８、及び／又は並列コンピューティング・プラットフォーム３６３０によって促進されてもよい。
【0524】
少なくとも一実施例では、プロセス３８２０は、生データを生成するＣＴスキャナ３８２２を含んでもよく、この生データは、ＤＩＣＯＭリーダ３７０６によって（たとえば、直接、ＰＡＣＳサーバ３７０４を介して、処理後になど）受信されてもよい。少なくとも一実施例では、（導入パイプライン３６１０Ｃによってインスタンス化された）仮想ＣＴは、患者を監視するため（たとえば、患者動き検出ＡＩ３８２６）且つ／又はＣＴスキャナ３８２２の露出を（たとえば、露出制御ＡＩ３８２４を使用して）調節又は最適化するための、第１のリアル・タイム・パイプラインを含んでもよい。少なくとも一実施例では、アプリケーションのうちの１つ又は複数（たとえば、３８２４及び３８２６）は、ＡＩサービス３６１８などのサービス３５２０を利用してもよい。少なくとも一実施例では、露出制御ＡＩ３８２４のアプリケーション（又はコンテナ）及び／又は患者動き検出ＡＩ３８２６のアプリケーション（又はコンテナ）の出力は、ＣＴスキャナ３８２２及び／又は技術者に対するフィードバックとして使用されて、露出（又はＣＴスキャナ３８２２の他の設定）が調節されてもよく、且つ／又は患者にあまり動かないように伝えられてもよい。
【0525】
少なくとも一実施例では、導入パイプライン３６１０Ｃは、ＣＴスキャナ３８２２によって生成されるデータを分析するための非リアル・タイム・パイプラインを含んでもよい。少なくとも一実施例では、第２のパイプラインは、ＣＴ再構築３７０８のアプリケーション及び／又はコンテナ、粗検出ＡＩ３８２８のアプリケーション及び／又はコンテナ、（たとえば、粗検出ＡＩ３８２８によってある特定の結果が検出された場合の）精検出ＡＩ３８３２のアプリケーション及び／又はコンテナ、視覚化３８３０のアプリケーション及び／又はコンテナ、及びＤＩＣＯＭライタ３７１２（及び／又はＲＩＳ、ＣＩＳ、ＲＥＳＴ準拠、ＲＰＣ、生など他のデータ・タイプライタ）のアプリケーション及び／又はコンテナを含んでもよい。少なくとも一実施例では、ＣＴスキャナ３８２２によって生成された生データは、（仮想ＣＴ機器としてインスタンス化された）導入パイプライン３６１０Ｃのパイプラインに通されて、結果が生成されてもよい。少なくとも一実施例では、ＤＩＣＯＭライタ３７１２からの結果は、表示のために送信されてもよく、且つ／又は技術者、開業医、若しくは他のユーザによって後で検索、分析、又は表示できるようにＰＡＣＳサーバ３７０４に記憶されてもよい。
【0526】
少なくとも一実施例では、図３８Ｂに描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図３８Ｂに描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図３８Ｂに描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0527】
図３９Ａは、少なくとも一実施例による、機械学習モデルを訓練、再訓練、又は更新するためのプロセス３９００のデータ・フロー図を示す。少なくとも一実施例では、プロセス３９００は、図３６のシステム３６００を非限定的な実例として使用して、実行されてもよい。少なくとも一実施例では、プロセス３９００は、本明細書に記載のシステム３６００のサービス３５２０及び／又はハードウェア３５２２を利用してもよい。少なくとも一実施例では、プロセス３９００によって生成される精緻化モデル３９１２は、導入パイプライン３６１０内の１つ又は複数のコンテナ化アプリケーションのために、導入システム３５０６によって実行されてもよい。
【0528】
少なくとも一実施例では、モデル訓練３５１４は、新規訓練データ（たとえば、顧客データセット３９０６、及び／又は入力データに関連付けられた新規グラウンド・トゥルース・データなどの新規入力データ）を使用して、初期モデル３９０４（たとえば、事前訓練済みモデル）を再訓練又は更新することを含んでもよい。少なくとも一実施例では、初期モデル３９０４を再訓練又は更新するために、初期モデル３９０４の出力又は損失層がリセットされてもよく、削除されてもよく、且つ／又は更新済み若しくは新規の出力若しくは損失層と置換されてもよい。少なくとも一実施例では、初期モデル３９０４は、以前に微調整された、前の訓練から残っているパラメータ（たとえば、重み及び／又はバイアス）を有してもよく、それにより、訓練又は再訓練３５１４は、最初からモデルを訓練するほど長い時間がかからず、又は多くの処理を必要としなくても済む。少なくとも一実施例では、モデル訓練３５１４の間に、初期モデル３９０４のリセット又は置換された出力又は損失層を有することにより、パラメータは、新規の顧客データセット３９０６（たとえば、図３５の画像データ３５０８）について予測を生成する際の出力又は損失層の精度に関連付けられた損失計算に基づき、新規データ・セットのために更新又は再調整されてもよい。
【0529】
少なくとも一実施例では、事前訓練済みモデル３６０６は、データ・ストア又はレジストリ（たとえば、図３５のモデル・レジストリ３５２４）に記憶されてもよい。少なくとも一実施例では、事前訓練済みモデル３６０６は、少なくとも部分的に、プロセス３９００を実行する施設とは異なる１つ又は複数の施設において訓練済みであってもよい。少なくとも一実施例では、異なる施設の患者、対象者、顧客のプライバシー及び権利を保護するために、事前訓練済みモデル３６０６は、構内で生成された顧客又は患者のデータを使用して、構内で訓練されたものであってもよい。少なくとも一実施例では、事前訓練済みモデル３６０６は、クラウド３６２６及び／又は他のハードウェア３５２２を使用して訓練されてもよいが、プライバシー保護された機密の患者データは、クラウド３６２６（又は他の構外のハードウェア）の任意の構成要素に転送できず、それらの構成要素によって使用されず、又はアクセス不可能であってもよい。少なくとも一実施例では、事前訓練済みモデル３６０６が２つ以上の施設からの患者データを使用して訓練される場合、事前訓練済みモデル３６０６は、各施設について個々に訓練されてから、別の施設からの患者若しくは顧客のデータについて訓練されてもよい。少なくとも一実施例では、顧客又は患者のデータが（たとえば、実験での使用を目的とした権利放棄などによって）プライバシー問題から解放されている場合、又は顧客若しくは患者のデータがパブリック・データ・セットに含まれる場合などには、任意の数の施設からの顧客又は患者のデータを使用して、データセンタ又は他のクラウド・コンピューティング・インフラストラクチャなど、構内及び／又は構外で事前訓練済みモデル３６０６が訓練されてもよい。
【0530】
少なくとも一実施例では、導入パイプライン３６１０で使用するアプリケーションを選択するとき、ユーザは、特定のアプリケーションで使用することになる機械学習モデルも選択することができる。少なくとも一実施例では、ユーザは、使用するモデルを有していないことがあり、したがって、ユーザはアプリケーションとともに使用する事前訓練済みモデル３６０６を選択してもよい。少なくとも一実施例では、事前訓練済みモデル３６０６は、（たとえば、患者の多様性、人口統計、使用される医療用撮像デバイスのタイプなどに基づき）ユーザの施設の顧客データセット３９０６について正確な結果を生成するように最適化されなくてもよい。少なくとも一実施例では、事前訓練済みモデル３６０６を、アプリケーションとともに使用するために導入パイプライン３６１０に導入する前に、事前訓練済みモデル３６０６は、それぞれの施設において使用するために更新、再訓練、及び／又は微調整されてもよい。
【0531】
少なくとも一実施例では、ユーザは、更新、再訓練、及び／又は微調整されることになる事前訓練済みモデル３６０６を選択してもよく、事前訓練済みモデル３６０６は、プロセス３９００内の訓練システム３５０４のための初期モデル３９０４と呼ばれてもよい。少なくとも一実施例では、顧客データセット３９０６（たとえば、施設のデバイスによって生成された撮像データ、ゲノミクス・データ、シーケンシング・データ、又は他のタイプのデータ）を使用して、初期モデル３９０４について（限定することなく転送学習（ｔｒａｎｓｆｅｒ ｌｅａｒｎｉｎｇ）を含んでもよい）モデル訓練３５１４が実行されて、精緻化モデル３９１２が生成されてもよい。少なくとも一実施例では、顧客データセット３９０６に対応するグラウンド・トゥルース・データが、訓練システム３５０４によって生成されてもよい。少なくとも一実施例では、グラウンド・トゥルース・データは、（たとえば、図３５のラベル付けされたクリニック・データ３５１２として）施設において臨床医、科学者、医師、開業医によって、少なくとも部分的に生成されてもよい。
【0532】
少なくとも一実施例では、ＡＩ支援アノテーション３５１０がいくつかの実例において使用されて、グラウンド・トゥルース・データが生成されてもよい。少なくとも一実施例では、（たとえば、ＡＩ支援アノテーションＳＤＫを使用して実装された）ＡＩ支援アノテーション３５１０は、機械学習モデル（たとえば、ニューラル・ネットワーク）を利用して、顧客データセットについて示唆又は予測されるグラウンド・トゥルース・データを生成してもよい。少なくとも一実施例では、ユーザ３９１０は、コンピューティング・デバイス３９０８上のユーザ・インターフェース（グラフィカル・ユーザ・インターフェース（ＧＵＩ））内でアノテーション・ツールを使用してもよい。
【0533】
少なくとも一実施例では、ユーザ３９１０は、コンピューティング・デバイス３９０８を介してＧＵＩと対話して、アノテーション又は自動アノテーションを編集又は微調整してもよい。少なくとも一実施例では、ポリゴン編集特徴を使用して、ポリゴンの頂点をより正確なロケーション又は微調整されたロケーションに移動させてもよい。
【0534】
少なくとも一実施例では、顧客データセット３９０６が、関連付けられたグラウンド・トゥルース・データを得ると、（たとえば、ＡＩ支援アノテーション、手動ラベリングなどからの）グラウンド・トゥルース・データが、モデル訓練３５１４中に使用されて、精緻化モデル３９１２が生成されてもよい。少なくとも一実施例では、顧客データセット３９０６は、初期モデル３９０４に任意の回数、適用されてもよく、グラウンド・トゥルース・データは、精緻化モデル３９１２について許容可能なレベルの精度が達成されるまで、初期モデル３９０４のパラメータを更新するために使用されてもよい。少なくとも一実施例では、精緻化モデル３９１２が生成されると、精緻化モデル３９１２は、医療用撮像データに対して１つ又は複数の処理タスクを実行するために、施設において１つ又は複数の導入パイプライン３６１０内に導入されてもよい。
【0535】
少なくとも一実施例では、精緻化モデル３９１２は、別の施設によって選択されることになるモデル・レジストリ３５２４の事前訓練済みモデル３６０６にアップロードされてもよい。少なくとも一実施例では、このプロセスは任意の数の施設において完了されてもよく、それにより精緻化モデル３９１２は、新規データセットについて任意の回数さらに精緻化されて、より普遍的なモデルが生成されてもよい。
【0536】
少なくとも一実施例では、図３９Ａに描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図３９Ａに描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図３９Ａに描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0537】
図３９Ｂは、少なくとも一実施例による、事前訓練済みのアノテーション・モデルを用いてアノテーション・ツールを強化するためのクライアント・サーバのアーキテクチャ３９３２の実例の図である。少なくとも一実施例では、ＡＩ支援アノテーション・ツール３９３６は、クライアント・サーバのアーキテクチャ３９３２に基づきインスタンス化されてもよい。少なくとも一実施例では、撮像アプリケーションのアノテーション・ツール３９３６は、たとえば放射線医が器官及び異常を識別するのを支援してもよい。少なくとも一実施例では、撮像アプリケーションは、非限定的な実例として（たとえば、３ＤのＭＲＩ又はＣＴスキャンの）生画像３９３４において、特定の対象器官上の数少ない極値点をユーザ３９１０が識別するのを援助し、特定の器官の２Ｄスライスすべてについて自動アノテーション付けされた結果を受信するソフトウェア・ツールを含んでもよい。少なくとも一実施例では、結果は、訓練データ３９３８としてデータストアに記憶されてもよく、（たとえば、限定することなく）訓練用のグラウンド・トゥルース・データとして使用されてもよい。少なくとも一実施例では、コンピューティング・デバイス３９０８が、ＡＩ支援アノテーション３５１０のために極値点を送るとき、たとえば深層学習モデルがこのデータを入力として受信してもよく、セグメント化された器官又は異常の推論結果を返してもよい。少なくとも一実施例では、図３９ＢのＡＩ支援アノテーション・ツール３９３６Ｂなどの事前インスタンス化されたアノテーション・ツールは、たとえばアノテーション・モデル・レジストリに記憶された事前訓練済みモデル３９４２のセットを含むことができるアノテーション支援サーバ３９４０などのサーバに、ＡＰＩコール（たとえば、ＡＰＩコール３９４４）を行うことによって、拡張されてもよい。少なくとも一実施例では、アノテーション・モデル・レジストリは、特定の器官又は異常に対してＡＩ支援アノテーションを実行するように事前訓練された事前訓練済みモデル３９４２（たとえば、深層学習モデルなどの機械学習モデル）を記憶してもよい。少なくとも一実施例では、これらのモデルは、訓練パイプライン３６０４を使用することにより、さらに更新されてもよい。少なくとも一実施例では、事前インストールされたアノテーション・ツールは、ラベル付けされた新規クリニック・データ３５１２が加えられるにつれて、経時的に改善されてもよい。
【0538】
１つ又は複数の実施例に関連する推論及び／又は訓練の動作を実行するために、推論及び／又は訓練論理６１５が使用される。推論及び／又は訓練論理６１５に関する詳細事項は、図６Ａ及び／又は図６Ｂと併せて本明細書において提供される。
【0539】
少なくとも一実施例では、図３９Ｂに描かれる１つ又は複数のシステムは、条件のセットが満たされたことに基づいて、１つ又は複数の画像から以前に推論された物体のセットを再推論するフレームワークを実装するために利用される。少なくとも一実施例では、図３９Ｂに描かれる１つ又は複数のシステムは、図１～図５に関連して説明したような様々なプロセスを実行するために利用される。少なくとも一実施例では、図３９Ｂに描かれる１つ又は複数のシステムは、画像のセット間で追跡された１つ又は複数の物体を推論することから得られたデータを使用して、満たされるべき条件のセットを調整し、条件のセットを満たすことにより、得られたデータに少なくとも部分的に基づいて、１つ又は複数の物体から物体を再推論するために利用される。
【0540】
本開示の少なくとも一実施例は、以下の条項を考慮して説明されてもよい。
条項１． 方法であって、
画像のセット間で追跡された１つ又は複数の物体の推論に対応するデータを取得することと、
取得されたデータに少なくとも部分的に基づいて、１つ又は複数の物体の少なくとも１つの物体を、いつ再推論するかを決定するための条件のセットを調整することと
を含む、方法。
条項２． 条件のセットを満たすことが、少なくとも１つの物体を表現する計算されたサイズに基づいて、閾値を満たすこと、又は閾値を超えることを含む、条項１に記載の方法。
条項３． 条件のセットが、次のうちの少なくとも１つに基づいて動的に調整される、条項１に記載の方法：１つ又は複数の物体に含まれる物体の数、画像のセットに対応する１つ又は複数の画像特性、及び少なくとも１つの物体の光強度。
条項４． 取得されたデータが、１つ又は複数のグラフィックス・プロセッシング・ユニット（ＧＰＵ）の利用可能性を示すリソース使用率情報を含む、条項１に記載の方法。
条項５．
追跡された１つ又は複数の物体に識別子を割り当てることと、
１つ又は複数のニューラル・ネットワークを使用して、条件のセットを満たすこと及び識別子に基づいて、画像の第２のセットから少なくとも１つの物体を推論することと
をさらに含む、条項１に記載の方法。
条項６．
第１のニューラル・ネットワークを使用して、画像のセットから、少なくとも１つの物体に対応する物体クラスを推論することと、第２のニューラル・ネットワークを使用して、画像の第２のセットから、少なくとも１つの物体に対応する１つ又は複数の精緻化された分類パラメータを推論することと
をさらに含む、条項１に記載の方法。
条項７． 第２のニューラル・ネットワークが、画像のセットから以前は利用可能ではなかった物体の１つ又は複数の特徴を使用して、画像の第２のセットから少なくとも１つの物体を推論する、条項１又は６に記載の方法。
条項８． システムであって、
１つ又は複数のプロセッサであり、
１つ又は複数の画像から検出される推論対象物体に対応するデータを取得することと、
取得されたデータに少なくとも部分的に基づいて、条件のセットを調整することと、
条件のセットを満たすことに少なくとも部分的に基づいて、１つ又は複数の追加的な画像から検出された物体を再推論することと
を行うための、１つ又は複数のプロセッサ
を備える、システム。
条項９． 条件のセットを満たすことが、物体に対応する計算されたバウンディング・ボリュームの高さ又は幅の少なくとも１つに関連付けられた閾値を満たすこと、又は閾値を超えることを含む、条項８に記載のシステム。
条項１０． １つ又は複数のプロセッサが、グラフィックス・プロセッシング・ユニット（ＧＰＵ）使用率に少なくとも部分的に基づいて閾値を変化させることによって、条件のセットをさらに調整する、条項８又は９に記載のシステム。
条項１１． １つ又は複数のプロセッサが、ＧＰＵ使用率が第１の範囲にある場合は閾値を増大させることにより、ＧＰＵ使用率が第２の範囲にある場合は閾値を維持することにより、又はＧＰＵ使用率が第３の範囲にある場合は閾値を低下させることにより、閾値をさらに変化させる、条項８から１０までのいずれかに記載のシステム。
条項１２． １つ又は複数のプロセッサが、
推論対象物体に追跡識別子を割り当てることと、
追跡識別子、及び推論対象物体についてのデータを、リストに記憶することと、
リスト及び条件のセットに基づいて、１つ又は複数の追加的な画像から検出された物体を再推論するかどうかを判定することと、
条件のセットが満たされた後、物体を再推論することと
をさらに行う、条項８に記載のシステム。
条項１３． １つ又は複数のプロセッサが、畳み込みニューラル・ネットワークのモデルをさらに使用して、１つ又は複数の追加的な画像から物体を再推論し、畳み込みニューラル・ネットワークのモデルが、１つ又は複数の画像から検出された物体を推論するために使用されるのと同じモデルである、条項８に記載のシステム。
条項１４． 物体が再推論された結果として、１つ又は複数のプロセッサが、物体の分類をさらに精緻化し、畳み込みニューラル・ネットワークのモデルが、１つ又は複数の追加的な画像から取得された追加的な物体特徴を使用する、条項８又は１３に記載のシステム。
条項１５． 命令のセットが記憶された機械読取り可能媒体であって、命令のセットが１つ又は複数のプロセッサによって実行されると、１つ又は複数のプロセッサに、少なくとも、
第１の画像から取得した物体のセットを推論することと、
第２の画像を取得することであり、第２の画像が物体のセットのサブセットを含む、第２の画像を取得することと、
サブセットからの各物体に対応するデータから、満たされるべき条件のセットを調整するかどうかを判定することと、
条件のセットが満たされたことに基づいて、サブセットからの物体を再推論して、物体の少なくとも１つの分類パラメータを精緻化することと
を行わせる、機械読取り可能媒体。
条項１６． 命令のセットが命令をさらに含み、命令は１つ又は複数のプロセッサによって実行されると、１つ又は複数のプロセッサに、サブセットからの物体に対応するデータが閾値を超えると条件のセットを調整させる、条項１５に記載の機械読取り可能媒体。
条項１７． 命令のセットが命令をさらに含み、命令は１つ又は複数のプロセッサによって実行されると、１つ又は複数のプロセッサに、グラフィックス・プロセッシング・ユニット（ＧＰＵ）使用率に基づいて、サブセットからの物体に対応するデータが閾値を超えたと判定した後、条件のセットを調整させる、条項１５又は１６に記載の機械読取り可能媒体。
条項１８． サブセットからの物体に対応するデータが、物体のサイズを含む、条項１５又は１６に記載の機械読取り可能媒体。
条項１９． 満たされるべき条件のセットが、次のうちの少なくとも１つに基づいて調整される、条項１５に記載の機械読取り可能媒体：サブセット中の物体の数、画像特性、画像強度、又はサブセットからの物体に関連する光強度。
条項２０． 命令のセットが命令をさらに含み、命令は１つ又は複数のプロセッサによって実行されると、１つ又は複数のプロセッサに、条件のセットが満たされたことに少なくとも部分的に基づいて、再推論する物体をサブセットから選択させ、条件のセットが、グラフィックス・プロセッシング・ユニット（ＧＰＵ）使用率及び画像中の関心領域に対応する情報に基づいて調整される、条項１５に記載の機械読取り可能媒体。
条項１． 方法であって、
画像のセット間で追跡された１つ又は複数の物体の推論に対応するデータを取得することと、
取得されたデータに少なくとも部分的に基づいて、１つ又は複数の物体の少なくとも１つの物体を、いつ再推論するかを決定するための条件のセットを調整することと
を含む、方法。
条項２． 条件のセットを満たすことが、少なくとも１つの物体を表現する計算されたサイズに基づいて、閾値を満たすこと、又は閾値を超えることを含む、条項１に記載の方法。
条項３． 条件のセットが、次のうちの少なくとも１つに基づいて動的に調整される、条項１に記載の方法：１つ又は複数の物体に含まれる物体の数、画像のセットに対応する１つ又は複数の画像特性、及び少なくとも１つの物体の光強度。
条項４． 取得されたデータが、１つ又は複数のグラフィックス・プロセッシング・ユニット（ＧＰＵ）の利用可能性を示すリソース使用率情報を含む、条項１に記載の方法。
条項５．
追跡された１つ又は複数の物体に識別子を割り当てることと、
１つ又は複数のニューラル・ネットワークを使用して、条件のセットを満たすこと及び識別子に基づいて、画像の第２のセットから少なくとも１つの物体を推論することと
をさらに含む、条項１に記載の方法。
条項６．
第１のニューラル・ネットワークを使用して、画像のセットから、少なくとも１つの物体に対応する物体クラスを推論することと、第２のニューラル・ネットワークを使用して、画像の第２のセットから、少なくとも１つの物体に対応する１つ又は複数の精緻化された分類パラメータを推論することと
をさらに含む、条項１に記載の方法。
条項７． 第２のニューラル・ネットワークが、画像のセットから以前は利用可能ではなかった物体の１つ又は複数の特徴を使用して、画像の第２のセットから少なくとも１つの物体を推論する、条項１又は６に記載の方法。
条項８． システムであって、
１つ又は複数のプロセッサであり、
１つ又は複数の画像から検出される推論対象物体に対応するデータを取得することと、
取得されたデータに少なくとも部分的に基づいて、条件のセットを調整することと、
条件のセットを満たすことに少なくとも部分的に基づいて、１つ又は複数の追加的な画像から検出された物体を再推論することと
を行うための、１つ又は複数のプロセッサ
を備える、システム。
条項９． 条件のセットを満たすことが、物体に対応する計算されたバウンディング・ボリュームの高さ又は幅の少なくとも１つに関連付けられた閾値を満たすこと、又は閾値を超えることを含む、条項８に記載のシステム。
条項１０． １つ又は複数のプロセッサが、グラフィックス・プロセッシング・ユニット（ＧＰＵ）使用率に少なくとも部分的に基づいて閾値を変化させることによって、条件のセットをさらに調整する、条項８又は９に記載のシステム。
条項１１． １つ又は複数のプロセッサが、ＧＰＵ使用率が第１の範囲にある場合は閾値を増大させることにより、ＧＰＵ使用率が第２の範囲にある場合は閾値を維持することにより、又はＧＰＵ使用率が第３の範囲にある場合は閾値を低下させることにより、閾値をさらに変化させる、条項８から１０までのいずれかに記載のシステム。
条項１２． １つ又は複数のプロセッサが、
推論対象物体に追跡識別子を割り当てることと、
追跡識別子、及び推論対象物体についてのデータを、リストに記憶することと、
リスト及び条件のセットに基づいて、１つ又は複数の追加的な画像から検出された物体を再推論するかどうかを判定することと、
条件のセットが満たされた後、物体を再推論することと
をさらに行う、条項８に記載のシステム。
条項１３． １つ又は複数のプロセッサが、畳み込みニューラル・ネットワークのモデルをさらに使用して、１つ又は複数の追加的な画像から物体を再推論し、畳み込みニューラル・ネットワークのモデルが、１つ又は複数の画像から検出された物体を推論するために使用されるのと同じモデルである、条項８に記載のシステム。
条項１４． 物体が再推論された結果として、１つ又は複数のプロセッサが、物体の分類をさらに精緻化し、畳み込みニューラル・ネットワークのモデルが、１つ又は複数の追加的な画像から取得された追加的な物体特徴を使用する、条項８又は１３に記載のシステム。
条項１５． 命令のセットが記憶された機械読取り可能媒体であって、命令のセットが１つ又は複数のプロセッサによって実行されると、１つ又は複数のプロセッサに、少なくとも、
第１の画像から取得した物体のセットを推論することと、
第２の画像を取得することであり、第２の画像が物体のセットのサブセットを含む、第２の画像を取得することと、
サブセットからの各物体に対応するデータから、満たされるべき条件のセットを調整するかどうかを判定することと、
条件のセットが満たされたことに基づいて、サブセットからの物体を再推論して、物体の少なくとも１つの分類パラメータを精緻化することと
を行わせる、機械読取り可能媒体。
条項１６． 命令のセットが命令をさらに含み、命令は１つ又は複数のプロセッサによって実行されると、１つ又は複数のプロセッサに、サブセットからの物体に対応するデータが閾値を超えると条件のセットを調整させる、条項１５に記載の機械読取り可能媒体。
条項１７． 命令のセットが命令をさらに含み、命令は１つ又は複数のプロセッサによって実行されると、１つ又は複数のプロセッサに、グラフィックス・プロセッシング・ユニット（ＧＰＵ）使用率に基づいて、サブセットからの物体に対応するデータが閾値を超えたと判定した後、条件のセットを調整させる、条項１５又は１６に記載の機械読取り可能媒体。
条項１８． サブセットからの物体に対応するデータが、物体のサイズを含む、条項１５又は１６に記載の機械読取り可能媒体。
条項１９． 満たされるべき条件のセットが、次のうちの少なくとも１つに基づいて調整される、条項１５に記載の機械読取り可能媒体：サブセット中の物体の数、画像特性、画像強度、又はサブセットからの物体に関連する光強度。
条項２０． 命令のセットが命令をさらに含み、命令は１つ又は複数のプロセッサによって実行されると、１つ又は複数のプロセッサに、条件のセットが満たされたことに少なくとも部分的に基づいて、再推論する物体をサブセットから選択させ、条件のセットが、グラフィックス・プロセッシング・ユニット（ＧＰＵ）使用率及び画像中の関心領域に対応する情報に基づいて調整される、条項１５に記載の機械読取り可能媒体。
【0541】
少なくとも一実施例では、単一の半導体プラットフォームとは、単独で単体の半導体ベースの集積回路又はチップを指してもよい。少なくとも一実施例では、マルチ・チップ・モジュールは、オン・チップ動作をシミュレートする接続性が向上した状態で使用されてもよく、従来の中央処理装置（「ＣＰＵ」）及びバスの実装形態の利用を大幅に改善する。少なくとも一実施例では、ユーザの希望に応じて、半導体プラットフォームとは別々に、又は半導体プラットフォームとの様々な組合せで、様々なモジュールがさらに設置されてもよい。
【0542】
少なくとも一実施例では、図１２に戻って参照すると、機械読取り可能で実行可能なコード若しくはコンピュータ制御論理アルゴリズムの形のコンピュータ・プログラムが、メイン・メモリ１２０４及び／又は二次ストレージに記憶される。コンピュータ・プログラムは、１つ又は複数のプロセッサによって実行された場合に、少なくとも一実施例による様々な機能をシステム１２００が実行できるようにする。少なくとも一実施例では、メモリ１２０４、ストレージ、及び／又は任意の他のストレージが、コンピュータ読取り可能媒体の考えられる実例である。少なくとも一実施例では、二次ストレージとは、フロッピー（登録商標）・ディスク・ドライブ、磁気テープ・ドライブ、コンパクト・ディスク・ドライブ、デジタル多用途ディスク（「ＤＶＤ」：ｄｉｇｉｔａｌ ｖｅｒｓａｔｉｌｅ ｄｉｓｋ）ドライブ、記録デバイス、ユニバーサル・シリアル・バス（「ＵＳＢ」）フラッシュ・メモリなどを表すハード・ディスク・ドライブ及び／若しくはリムーバブル・ストレージ・ドライブなどの任意の好適なストレージ・デバイス又はシステムを指してもよい。少なくとも一実施例では、様々な先の図面のアーキテクチャ及び／又は機能は、ＣＰＵ１２０２、並列処理システム１２１２、ＣＰＵ１２０２と並列処理システム１２１２の両方の機能の少なくとも一部分を実現可能な集積回路、チップセット（たとえば、関連機能を実行するためのユニットとして機能し、販売されるように設計された集積回路のグループなど）、及び／又は集積回路の任意の好適な組合せの文脈において実装される。
【0543】
少なくとも一実施例では、様々な先の図面のアーキテクチャ及び／又は機能は、汎用コンピュータ・システム、回路板システム、エンタテイメント目的専用のゲーム・コンソール・システム、及び特定用途システムなどの文脈において実装される。少なくとも一実施例では、コンピュータ・システム１２００は、デスクトップ・コンピュータ、ラップトップ・コンピュータ、タブレット・コンピュータ、サーバ、スーパーコンピュータ、スマート・フォン（たとえば、ワイヤレスの携帯型デバイス）、パーソナル・デジタル・アシスタント（「ＰＤＡ」）、デジタル・カメラ、車両、頭装着型ディスプレイ、携帯型電子デバイス、モバイル・フォン・デバイス、テレビ、ワークステーション、ゲーム・コンソール、組み込みシステム、及び／又は任意の他のタイプの論理の形をとってもよい。
【0544】
少なくとも一実施例では、並列処理システム１２１２は、限定することなく、複数の並列処理ユニット（「ＰＰＵ」）１２１４、及び関連メモリ１２１６を含む。少なくとも一実施例では、ＰＰＵ１２１４は、相互接続１２１８及びスイッチ１２２０又はマルチプレクサを介してホスト・プロセッサ又は他の周辺デバイスに接続される。少なくとも一実施例では、並列処理システム１２１２は、計算タスクをＰＰＵ１２１４にわたって分配し、これは、たとえば複数のグラフィックス・プロセッシング・ユニット（「ＧＰＵ」）のスレッド・ブロックにわたる計算タスクの分配の一部として、並列化可能とすることができる。少なくとも一実施例では、メモリは、ＰＰＵ１２１４の一部又は全部にわたって共有され、（たとえば、読取り及び／又は書込みアクセスのために）アクセス可能であるが、こうした共有メモリは、ＰＰＵ１２１４に常駐しているローカル・メモリ及びレジスタの使用に対して、性能に不利益をもたらすことがある。少なくとも一実施例では、ＰＰＵ１２１４の動作は、＿ｓｙｎｃｔｈｒｅａｄｓ（）などのコマンドを使用することによって同期され、ここで（たとえば、複数のＰＰＵ１２１４にわたって動作している）ブロック内のすべてのスレッドが、進行前にコードのある一定の実行ポイントに到達する。
【0545】
他の変形形態は、本開示の範囲内にある。したがって、開示した技法は、様々な修正及び代替的な構成が可能であるが、それらのうち一定の例示的な実施例が図面に示され、上で詳細に説明されてきた。しかし、特定の１つ又は複数の開示された形に本開示を限定する意図はなく、その反対に、特許請求の範囲に定義される開示の趣旨及び範囲に入るすべての修正形態、代替的な構成、及び等価物を網羅することを意図していることが理解されるべきである。
【0546】
開示される実施例を説明する文脈において（特に、以下の特許請求の範囲の文脈において）「ａ」及び「ａｎ」及び「ｔｈｅ」という用語、並びに同様の指示語を使用することは、本明細書に別段の記載のない限り、又は文脈によって明らかに否定されない限り、単数と複数の両方を網羅すると解釈されるべきであり、用語の定義であると解釈されるべきではない。「備える（ｃｏｍｐｒｉｓｉｎｇ）」、「有する（ｈａｖｉｎｇ）」、「含む（ｉｎｃｌｕｄｉｎｇ）」、「収容する（ｃｏｎｔａｉｎｉｎｇ）」という用語は、別段の記載のない限り、オープンエンドの用語（「含むが、これに限定されない」を意味する）と解釈される。「接続される」は、修飾されずに物理的接続を指している場合には、何か介在するものがあったとしても、部分的に又は完全に中に収容される、取り付けられる、又は互いに接合されるものとして解釈される。本明細書において値の範囲を詳述することは、本明細書において別段の記載がない限り、またそれぞれ別々の値が、本明細書に個々に詳述されているかのように明細書に組み込まれていない限り、範囲内に含まれるそれぞれ別々の値を個々に参照する簡潔な方法として機能することを単に意図しているにすぎない。少なくとも一実施例では、「セット」（たとえば、「アイテムのセット」）又は「サブセット」という用語の使用は、文脈によって別段の記載がない、又は否定されていない限り、１つ又は複数の部材を備える空ではない集合として解釈されるべきである。さらに、文脈によって別段の記載がない、又は否定されていない限り、対応するセットの「サブセット」という用語は、対応するセットの厳密なサブセットを必ずしも指すのではなく、サブセットと対応するセットは等しくてもよい。
【0547】
「Ａ、Ｂ、及びＣのうちの少なくとも１つ」又は「Ａ、Ｂ、及びＣのうちの少なくとも１つ」という形の言い回しなどの結合語は、別段の具体的な記載のない限り、又は文脈によって明確に否定されていない限り、項目、用語などが、ＡかＢかＣである、又はＡとＢとＣのセットのいずれかの空でないサブセットであることを提示するために一般に使用される文脈で理解される。たとえば、３つの部材を有するセットの説明的な例では、「Ａ、Ｂ、及びＣのうちの少なくとも１つ」並びに「Ａ、Ｂ、及びＣのうちの少なくとも１つ」という結合句は、次のセットのうちのいずれかを指す：｛Ａ｝、｛Ｂ｝、｛Ｃ｝、｛Ａ、Ｂ｝、｛Ａ、Ｃ｝、｛Ｂ、Ｃ｝、｛Ａ、Ｂ、Ｃ｝。したがって、こうした結合語は、ある一定の実施例が、少なくとも１つのＡ、少なくとも１つのＢ、及び少なくとも１つのＣのそれぞれの存在を必要とすることを全体的に暗示するものではない。さらに、別段の記載のない、又は文脈によって否定されていない限り、「複数」という用語は、複数である状態を示す（たとえば、「複数の項目（ａ ｐｌｕｒａｌｉｔｙ ｏｆ ｉｔｅｍｓ）」は複数の項目（ｍｕｌｔｉｐｌｅ ｉｔｅｍｓ）を示す）。少なくとも一実施例では、複数である項目の数は、少なくとも２つであるが、明示的に、又は文脈によって示されている場合にはそれより多くてもよい。さらに、別段の記載のない、又は文脈からそうでないことが明らかでない限り、「～に基づく」という言い回しは、「少なくとも部分的に～に基づく」を意味し、「～だけに基づく」を意味しない。
【0548】
本明細書に記載のプロセスの動作は、本明細書に別段の記載のない、又は文脈によって明確に否定されない限り、任意の好適な順序で実行することができる。少なくとも一実施例では、本明細書に記載のプロセス（又はその変形及び／又は組合せ）などのプロセスは、実行可能命令で構成された１つ又は複数のコンピュータ・システムの制御下で実行され、１つ又は複数のプロセッサ上で、ハードウェアによって、又はそれらの組合せによって集合的に実行されるコード（たとえば、実行可能な命令、１つ若しくは複数のコンピュータ・プログラム、又は１つ若しくは複数のアプリケーション）として実装される。少なくとも一実施例では、コードは、たとえば１つ又は複数のプロセッサによって実行可能な複数の命令を備えるコンピュータ・プログラムの形で、コンピュータ読取り可能ストレージ媒体に記憶される。少なくとも一実施例では、コンピュータ読取り可能ストレージ媒体は、一時的な信号（たとえば、伝播する一時的な電気若しくは電磁送信）を除外するが、一時的な信号のトランシーバ内の非一時的なデータ・ストレージ回路（たとえば、バッファ、キャッシュ、及びキュー）を含む非一時的なコンピュータ読取り可能ストレージ媒体である。少なくとも一実施例では、コード（たとえば、実行可能コード又はソース・コード）は、１つ又は複数の非一時的なコンピュータ読取り可能ストレージ媒体のセットに記憶され、このストレージ媒体には、コンピュータ・システムの１つ又は複数のプロセッサによって実行されたときに（すなわち、実行された結果として）、コンピュータ・システムに本明細書に記載の動作を実行させる実行可能命令が記憶されている（又は、実行可能命令を記憶するための他のメモリを有する）。少なくとも一実施例では、非一時的なコンピュータ読取り可能ストレージ媒体のセットは、複数の非一時的なコンピュータ読取り可能ストレージ媒体を備え、複数の非一時的なコンピュータ読取り可能ストレージ媒体の個々の非一時的なストレージ媒体のうちの１つ又は複数には、すべてのコードがないが、複数の非一時的なコンピュータ読取り可能ストレージ媒体は、集合的にすべてのコードを記憶している。少なくとも一実施例では、実行可能命令は、異なる命令が異なるプロセッサによって実行されるように実行され、たとえば、非一時的なコンピュータ読取り可能ストレージ媒体は命令を記憶し、メインの中央処理装置（「ＣＰＵ」）は一部の命令を実行し、グラフィックス・プロセッシング・ユニット（「ＧＰＵ」）は他の命令を実行する。少なくとも一実施例では、コンピュータ・システムの異なる構成要素は、別々のプロセッサを有し、異なるプロセッサは、命令の異なるサブセットを実行する。
【0549】
少なくとも一実施例では、算術論理演算ユニットは、１つ又は複数の入力を受け取って結果を作り出す、組合せ論理回路のセットである。少なくとも一実施例では、算術論理演算ユニットは、加算、減算、又は乗算など、数学演算を実施するためにプロセッサによって使用される。少なくとも一実施例では、算術論理演算ユニットは、論理ＡＮＤ／ＯＲ、又はＸＯＲなど、論理演算を実施するために使用される。少なくとも一実施例では、算術論理演算ユニットは、ステートレスであり、論理ゲートを形成するように配置された半導体トランジスタなど、物理的なスイッチング部品から作られる。少なくとも一実施例では、算術論理演算ユニットは、関連するクロックを持つステートフルな論理回路として内部的に動作することができる。少なくとも一実施例では、算術論理演算ユニットは、関連レジスタ・セットに内部状態が保持されない非同期論理回路として構築することができる。少なくとも一実施例では、算術論理演算ユニットは、プロセッサの１つ又は複数のレジスタに記憶されたオペランドを組み合わせて、プロセッサによって別のレジスタ又はメモリ場所に記憶することができる出力を作り出すために、プロセッサによって使用される。
【0550】
少なくとも一実施例では、プロセッサによって取り出された命令の処理の結果として、プロセッサは、１つ又は複数の入力又はオペランドを算術論理ユニットに提示し、算術論理ユニットの入力に与えられた命令コードに少なくとも部分的に基づき、算術論理ユニットに結果を作り出させる。少なくとも一実施例では、プロセッサによってＡＬＵに与えられる命令コードは、プロセッサによって実行される命令に少なくとも部分的に基づいている。少なくとも一実施例では、ＡＬＵ中の組合せ論理は、入力を処理し、プロセッサ内でバスに配置される出力を作り出す。少なくとも一実施例では、プロセッサは、プロセッサがクロックすることによって、ＡＬＵが作り出した結果が所望の場所に送り出されるように、宛先レジスタ、メモリ場所、出力デバイス、又は出力バスにおける出力記憶場所を選択する。
【0551】
本出願の範囲では、算術論理ユニット、すなわちＡＬＵという用語は、結果を作り出すためにオペランドを処理する、あらゆる計算論理回路を称するために使用される。たとえば、本文書では、ＡＬＵという用語は、浮動小数点ユニット、ＤＳＰ、テンソル・コア、シェーダ・コア、コプロセッサ、又はＣＰＵを指すことができる。
【0552】
したがって、少なくとも一実施例では、コンピュータ・システムは、本明細書に記載のプロセスの動作を単独で又は集合的に実行する１つ又は複数のサービスを実装するように構成され、こうしたコンピュータ・システムは、動作の実行を可能にする適用可能なハードウェア及び／又はソフトウェアで構成される。さらに、本開示の少なくとも一実施例を実装するコンピュータ・システムは、単一のデバイスであり、別の実施例では、異なるやり方で動作する複数のデバイスを備える分散型のコンピュータ・システムであり、それにより単一のデバイスがすべての動作を実行しないように分散型のコンピュータ・システムが本明細書に記載の動作を実行する。
【0553】
本明細書に提供されるあらゆる例、又は例示的な言葉（たとえば、「など」）の使用は、本開示の実施例をより明らかにすることだけを意図しており、別段の主張のない限り、本開示の範囲に制限を加えるものではない。本明細書のいかなる言葉も、特許請求されていない任意の要素を、本開示の実践に不可欠なものとして示すと解釈されるべきではない。
【0554】
本明細書に引用される出版物、特許出願、及び特許を含むすべての参考文献は、各参考文献が参照により組み込まれることがあたかも個別に明確に示され、その全体が本明細書に記載されたかのように、それと同程度まで参照により本明細書に組み込まれる。
【0555】
明細書及び特許請求の範囲において、「結合される」及び「接続される」という用語が、その派生語とともに使用されてもよい。これらの用語は、互いに同義語として意図されていない場合があることを理解すべきである。むしろ、特定の例では、「接続される」又は「結合される」は、２つ以上の要素が物理的又は電気的に互いに直接又は間接的に接触していることを示すために使用されてもよい。また「結合される」は、２つ以上の要素が直接互いに接触していないが、なお互いに連動又は相互作用することを意味してもよい。
【0556】
別段の具体的な記載のない限り、明細書全体を通して「処理する」、「コンピューティング」、「計算する」、又は「判定する」などの用語は、コンピューティング・システムのレジスタ及び／又はメモリ内の、電子的などの物理的な量として表されるデータをコンピューティング・システムのメモリ、レジスタ、又は他のそのような情報ストレージ・デバイス、送信デバイス、若しくはディスプレイ・デバイス内の物理的な量として同様に表される他のデータになるよう操作及び／又は変換するコンピュータ若しくはコンピューティング・システム、又は同様の電子コンピューティング・デバイスの行為及び／又はプロセスを指す。
【0557】
同様に、「プロセッサ」という用語は、レジスタ及び／又はメモリからの電子データを処理し、その電子データを、レジスタ及び／又はメモリに記憶することができる他の電子データに変換する任意のデバイス、又はデバイスの一部分を指してもよい。非限定的な例として、「プロセッサ」は、ＣＰＵ又はＧＰＵであってもよい。「コンピューティング・プラットフォーム」は、１つ又は複数のプロセッサを備えてもよい。本明細書で使用する「ソフトウェア」プロセスは、たとえば、タスク、スレッド、及び知的エージェントなど、経時的にワークを実行するソフトウェア及び／又はハードウェアのエンティティを含んでもよい。また、各プロセスは、命令を直列で又は並列で連続的に又は断続的に実行するための複数のプロセスを指してもよい。少なくとも一実施例では、「システム」及び「方法」は、１つ又は複数の方法をシステムが具体化することができ、方法がシステムと考えられてもよい場合に限り、本明細書において交換可能に使用される。
【0558】
本明細書では、アナログ・データ又はデジタル・データを得る、取得する、受信する、又はそれらをサブシステム、コンピュータ・システム、又はコンピュータ実装機械に入力することに言及することができる。少なくとも一実施例では、アナログ・データ又はデジタル・データを得る、取得する、受信する、又は入力するプロセスは、関数呼出し、又はアプリケーション・プログラミング・インターフェースへの呼出しのパラメータとしてデータを受信するなど、様々なやり方で実現することができる。少なくとも一実施例では、アナログ・データ又はデジタル・データを得る、取得する、受信する、又は入力するプロセスは、直列又は並列のインターフェースを介してデータを転送することによって実現することができる。少なくとも一実施例では、アナログ・データ又はデジタル・データを得る、取得する、受信する、又は入力するプロセスは、提供するエンティティから取得するエンティティにコンピュータ・ネットワークを介してデータを転送することによって実現することができる。少なくとも一実施例では、アナログ・データ又はデジタル・データを提供する、出力する、送信する、送る、又は提示することにも言及することができる。様々な例では、アナログ・データ又はデジタル・データを提供する、出力する、送信する、送る、又は提示するプロセスは、関数呼出しの入力又は出力のパラメータ、アプリケーション・プログラミング・インターフェース若しくはプロセス間通信機構のパラメータとしてデータを転送することによって実現することができる。
【0559】
本明細書における説明は、記載した技法の例示的な実装形態について述べているが、記載した機能を実装するために他のアーキテクチャが使用されてもよく、この他のアーキテクチャは、本開示の範囲内にあることが意図される。さらに、説明目的で、役割の具体的な分配が定義されることがあるが、様々な機能及び役割は、状況に応じて異なるやり方で分配及び分割されてもよい。
【0560】
さらに、主題は、構造的特徴及び／又は方法論的動作に特有の言語で説明されてきたが、添付の特許請求の範囲で特許請求される主題は、説明した特有の特徴又は動作に必ずしも限定されないことが理解されるべきである。むしろ、特有の特徴及び動作は、特許請求の範囲を実装する例示的な形として開示されている。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6A】
【図6B】
【図7】
【図8】
【図9A】
【図9B】
【図9C】
【図9D】
【図10】
【図11】
【図12】
【図13】
【図14A】
【図14B】
【図14C】
【図14D】
【図14E】
【図14F】
【図15】
【図16A】
【図16B】
【図17A】
【図17B】
【図18】
【図19A】
【図19B】
【図19C】
【図19D】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
【図27】
【図28】
【図29】
【図30A】
【図30B】
【図31】
【図32】
【図33】
【図34】
【図35】
【図36】
【図37】
【図38A】
【図38B】
【図39A】
【図39B】
【国際調査報告】