Огляд методів реалізації нейронних обчислень на вбудованій системі
Основний зміст сторінки статті
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
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
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/.