Огляд методів реалізації нейронних обчислень на вбудованій системі

Основний зміст сторінки статті

Pavlo O. Skirko
Ihor Volodymyrovych Redko

Анотація

У статті виконаний огляд актуальних обмежень у впровадженні нейронних обчислень на вбудованих системах та шляхи їх подолання. Виконано порівняння класичної архітектури інтернету речей з обчисленнями у хмарі та більш сучасної – з частково перенесеною логікою на крайовий пристрій. Розглянуто які технології можуть бути застосовані для запровадження подібної системи та описано методику, що дозволяє досягти поставленої мети – тобто виконати корисні обчислення на крайовому пристрої у реальному часі.

Блок інформації про статтю

Як цитувати
Skirko, P. O., & Redko, I. V. (2020). Огляд методів реалізації нейронних обчислень на вбудованій системі. Електронна та Акустична Інженерія, 3(1), 34–37. https://doi.org/10.20535/2617-0965.2020.3.1.198586
Розділ
Електронні системи та сигнали

Посилання

Balaban, “Deeplearningandfacerecognition: thestateoftheart,” 2015, p. 94570B, DOI: 10.1117/12.2181526.

M.A.Anusuya and S.K.Katti, “Speech Recognition by Machine: A Review,” Int. J. Comput. Sci. Inf. Secur., vol. 6, no. 3, pp. 181–205, 2009, URL: https://arxiv.org/ftp/arxiv/papers/1001/1001.2267.pdf.

A. El Hakim, “Internet of Things (IoT) System Architecture and Technologies, White Paper,” 2018, DOI: 10.13140/RG.2.2.17046.19521.

M. G. S. Murshed, D. Murphy, Christopher Hou, N. Khan, G. Ananthanarayanan, and F. Hussain, “Machine Learning at the Network Edge: A Survey,” p. 33, 2020, URL: https://arxiv.org/pdf/1908.00080.pdf.

M. P. Véstias, “A Survey of Convolutional Neural Networks on Edge with Reconfigurable Computing,” Algorithms, vol. 12, no. 8, p. 154, Jul. 2019, DOI: 10.3390/a12080154.

L. Jackel, J. Denker, A. Harris, and P. Y. Simard, “Learning Algorithms For Classification: A Comparison On Handwritten Digit Recognition,” 2000, URL: https://www.researchgate.net/publication/2376934_Learning_Algorithms_For_Classification_A_Comparison_On_Handwritten_Digit_Recognition.

S. Hochreiter, “The Vanishing Gradient Problem During Learning Recurrent Neural Nets and Problem Solutions,” Int. J. Uncertainty, Fuzziness Knowledge-Based Syst., vol. 06, no. 02, pp. 107–116, Apr. 1998, DOI: 10.1142/S0218488598000094.

J. Hu, L. Shen, S. Albanie, G. Sun, and E. Wu, “Squeeze-and-Excitation Networks,” 2019, URL: https://arxiv.org/pdf/1709.01507.pdf

M. Howard, Andrew G. Zhu, B. Chen, and D. Kalenichenko, “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” 2017, URL: https://arxiv.org/pdf/1704.04861.pdf

M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” in 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2018, pp. 4510–4520, DOI: 10.1109/CVPR.2018.00474.

S. I. Venieris, A. Kouris, and C.-S. Bouganis, “Toolflows for Mapping Convolutional Neural Networks on FPGAs,” ACM Comput. Surv., vol. 51, no. 3, pp. 1–39, Jul. 2018, DOI: 10.1145/3186332.

P. Gysel and S. Motamedi, Mohammad Ghiasi, “Hardware-oriented Approximation of Convolutional Neural Networks,” 2016, URL: https://arxiv.org/abs/1604.03168

A. Zadeh, M. Chen, and S. Poria, “Tensor Fusion Network for Multimodal Sentiment Analysis,” 2017, URL: https://arxiv.org/pdf/1707.07250.pdf

P. F. T. Madio, “A FaceNet-Style Approach to Facial Recognition on the Google Coral Development board,” 2019. [Online]. Available: https://towardsdatascience.com/a-facenet-style-approach-to-facial-recognition-dc0944efe8d1

C. Knauf and P. Strobel, “Realtime face detection and filtering with the Coral USB accelerator,” 2019. [Online]. Available: https://blog.codecentric.de/en/2019/11/realtime-face-detection-and-filtering-with-the-coral-usb-accelerator/.