Огляд методів реалізації нейронних  обчислень на вбудованій системі

П. О. Скірко; Ігор Володимирович Редько

doi:10.64915/n5es3626

Т. 3 · № 1 · 2020 бер 31, 2020 Електронні системи та сигнали

Огляд методів реалізації нейронних обчислень на вбудованій системі

ПС

П. О. Скірко Відповідальний Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна

ІР

Ігор Володимирович Редько Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна

Сторінки34-37 Опублікованобер 31, 2020 ЛіцензіяВідкритий доступ

PDF

ТОМ 3 · № 1 · 2020 Переглянути випуск

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.

Ключові слова

#вбудовані системи #крайовий пристрій #нейромережа #квантизація нейромережі #згорткова нейромережа #інтернет речей

Посилання

S. Balaban, “Deep learning and face recognition: the state of the art,” 2015, p. 94570B, doi: https://doi.org/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: https://doi.org/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: https://doi.org/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: https://doi.org/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: https://doi.org/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: https://doi.org/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-facialrecognition-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-andfiltering-with-the-coral-usb-accelerator/.

Ліцензія

CCBY-NC 4.0

Creative Commons Із зазначенням авторства 4.0 Міжнародна

Ця робота має відкриту ліцензію: вільно поширюйте та адаптуйте її, посилаючись на авторів і журнал. Умови ліцензії ↗

Попередня у випуску Електронне керування платформою з корисним навантаженням Наступна у випуску Генератор QR-коду на основі FPGA

§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.

Усі випуски

Електронний помічник для людини з вадами зору

Андрій Андрійович Пахомов, Роман Петрович Саган

Для людей із серйозними вадами зору запропоновано систему, яка допомагає виявляти перешкоди та викликати допомогу в екстреній ситуації. Система побудована на основі…

#мікроконтролер #GPS-модуль #GSM-модуль #оптичний сенсор

с. 227781-1 - 227781-4

10.20535/2617-0965.eae.227781

Застосування 3D-моделювання в медицині при підготовці до 3D-друку

Наталія Юріївна Оникієнко

Визначено основну функцію 3D-моделювання при підготовці до 3D-друку в процесі створення медичних моделей, яка полягає у вдосконаленні 3D-сітки моделі за рахунок…

#3D-моделювання #3D-друк #медичні 3D-моделі #програмне забезпечення

с. 227387-1 - 227387-5

10.20535/2617-0965.eae.227387

Застосування оракульного концептування при програмуванні дизайну електронних мікросхем

Максим Олегович Зилевіч

У роботі запропоновано розширення принципів адаптивного середовища програмування на основі дослідження інтерсуб’єктивної парадигми шляхом розв’язання програмістських…

#метод #синтез #інтерсуб’єктивна парадигма #оракул

с. 227740-1 - 227740-5

10.20535/2617-0965.eae.227740

Схожі статті

Юлія Володимирівна Макаренко, Аналіз можливостей використання технологій 5G в системах Інтернету речей , Електронна та Акустична Інженерія: Том 2 № 2 (2019)
Денис Олександрович Волосян, Програмні засоби оброблення інформації для Інтернету речей , Електронна та Акустична Інженерія: Том 2 № 4 (2019)
Олександр В. Дячук, Порівняльний аналіз технологій класу LPWAN , Електронна та Акустична Інженерія: Том 3 № 3 (2020)
Алекс А. Мосиса, Чень Сянцай, Дослідження сенсорних систем в умовах змін температур , Електронна та Акустична Інженерія: Том 4 № 3 (2021)
Валерія Миколаївна Охмак, Артем В. Крилов, Технологія інтернету речей для розпізнавання та передачі зображень у розумному будинку , Електронна та Акустична Інженерія: Том 4 № 4 (2021)
Олександр В. Поляков, Юрій Олексійович Оникієнко, Вибір бездротових технологій для застосування в сільському господарстві , Електронна та Акустична Інженерія: Том 3 № 2 (2020)
Дмитро Анатолійович Сорокін, Використання технології LoRa для вирішення задачі локалізації об’єктів в IoT-системах , Електронна та Акустична Інженерія: Том 3 № 3 (2020)
Софія Олегівна Павлова, Віртуальна лабораторія екологічного моніторингу довкілля , Електронна та Акустична Інженерія: Том 3 № 4 (2020)
Олександра Юріївна Колесник, Застосування нейронної мережі для стилізованої обробки зображень , Електронна та Акустична Інженерія: Том 2 № 4 (2019)
Сокол Ярослав Сокол, Антон Юрійович Варфоломієв, Генератор QR-коду на основі FPGA , Електронна та Акустична Інженерія: Том 3 № 1 (2020)

1-10 з 86 Наступне

Ви також можете розпочати розширений пошук схожих статей для цієї статті.

[1] S. Balaban, “Deep learning and face recognition: the state of the art,” 2015, p. 94570B, doi: https://doi.org/10.1117/12.2181526.

[2] 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.

[3] A. El Hakim, “Internet of Things (IoT) System Architecture and Technologies, White Paper,” 2018, doi: https://doi.org/10.13140/RG.2.2.17046.19521.

[4] 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.

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

[6] L. Jackel, J. Denker, A. Harris, and P. Y. Simard, “Learning Algorithms For Classification: A Comparison On Handwritten Digit Recognition,” 2000,

[7] URL: https://www.researchgate.net/publication/2376934_Learning_Algorithms_For_Classification_A_Comparison_On_Handwritten_Digit_Recognition.

[8] 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: https://doi.org/10.1142/S0218488598000094.

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

[10] 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

[11] 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: https://doi.org/10.1109/CVPR.2018.00474.

[12] 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: https://doi.org/10.1145/3186332.

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

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

[15] 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-facialrecognition-dc0944efe8d1

[16] 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-andfiltering-with-the-coral-usb-accelerator/.