文章名与作者单位列出如下，来自清华大学刘永攀组。

从名称可知，这个work主要目标是部署一个能够感知两次activation输入相似性的CNN神经网络。由于在视频处理中，相邻的两帧之间差别很小。把相邻的两帧作差，得到的feature map包含大量的sparsity (为0的值)。

软件层面，控制帧重用的flow的工作模式如下：

对神经网络的每一层，第一帧作为一个完整的图像进行处理，但接下来的帧仅仅处理与上一帧作差的结果，我将其称为帧间残差（difference frame）。由于帧间相似性，这个difference frame可以被量化为4b低精度矩阵与8b高精度稀疏矩阵的结合，之后可对两部分矩阵可以进行分治操作。由于ReLU操作的处理目标为原始图像，神经网络中除ReLU以外的所有操作都由difference frame作input activation。在进行ReLU之前，difference frame将会还原当前帧的原始图像（Recover frame），上图中左路的分支为当前帧的原始图像，而右路分支为前一帧。两者都进行ReLU之后，再重新生成difference frame用于下一层。

这样做的效果是显著的，文中这句话明确地描述了inter-frame reuse能够带来的好处。

本文提出的第二个feature是处理difference frame计算时的sparsity。首先在offline处理时，对weight进行run-length coding，当weight读出时，weight sparsity将被跳过，其对应的activation row也不会从Activation SRAM中读出。这里Activation Channel Addresses Hash Table用于找到与当前weight kernel对应的activation row。个人认为这个idea与前面的feature配合的不是很好。因为既然处理的是帧间残差，我们自然会想到是input activation包含大量的sparsity，但这里确是针对weight sparsity做了优化。

下图展示了本文提出的第三个feature，主要说的是帧间残差矩阵的offchip传输问题。作者设计了一个新的Codec (coder/decoder)，将帧间残差根据每个矩阵值的大小分为1/2/4/8b进行传输。1/2/4b的数据进行打包传输，8b的数据由于十分稀疏，所以传输其数据与地址。这其实就是一个经典的优化数据传输的方案，可以理解为dense matrix用结构化数组存储与传输，而sparse matrix采用非结构化数据进行存储与传输的分治策略。

总而言之，该芯片采用65nm制程，芯片大小为$12mm^2$，能降低76.3%的平均功耗并不会产生accuracy loss。在100MHz工作频率，1V的工作电压下，功耗为99mW，吞吐量在85%的weight sparsity ratio（讲道理这个weight sparsity ratio感觉有点高了）以及平均75%的inter frame data reuse的条件下达到了32.8GOPS。