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

Прилад для дослідження транспорту кисню в капілярах

Марія С. Молебна

В роботі досліджується можливість візуалізації процесу передачі кисню тканинам організму через механізм капілярів. Запропоновано застосувати принцип оксиметрії на…

#оксиметрія #капіляроскопія #капілярна оксиметрія #просторово роздільна оксиметрія

с. 228255-1 - 228255-6

10.20535/2617-0965.eae.228255

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

Схожі статті

Олександр Володимирович Острянко, Пристрій для перевірки електронних систем автомобіля , Електронна та Акустична Інженерія: Том 3 № 2 (2020)
Микола М. Комаровський, Затухання сигналу при передачі даних через лінію електропередачі: Використання лінії електропередач в якості каналу зв’язку. Способи зменшення спотворень при передачі сигналів по лініям електропередач. Технологія PLC , Електронна та Акустична Інженерія: Том 4 № 3 (2021): Електроніка - 2021
Анастасія В. Байдюк, Запобігання поширенню коронавірусу за допомогою технології радіочастотної ідентифікації , Електронна та Акустична Інженерія: Том 4 № 3 (2021): Електроніка - 2021
Іван А. Хижняк, Пристрій збору даних вимірювань для навчальної цифрової лабораторії на ESP32 , Електронна та Акустична Інженерія: Том 4 № 4 (2021): Електроніка - 2021
Інна Андріївна Шевченко, Вибір апаратної частини інтерактивної системи навчання грі на гітарі , Електронна та Акустична Інженерія: Том 2 № 3 (2019)
Микола Володимирович Мирошніченко, Пристрій для догляду за домашніми рослинами , Електронна та Акустична Інженерія: Том 4 № 3 (2021): Електроніка - 2021
Денис Солдатов, Методи розпізнавання рухів, дій людей на відео послідовностях , Електронна та Акустична Інженерія: Том 2 № 3 (2019)
Максим Сергійович Шапарець, Дослідження технічних особливостей RFID- системи на основі Arduino , Електронна та Акустична Інженерія: Том 2 № 3 (2019)
Олексій Переверзєв, Автономні системи збору даних з безпровідним каналом зв'язку , Електронна та Акустична Інженерія: Том 2 № 3 (2019)
Роман О. Ярошенко, Система візуалізації музичної інформації , Електронна та Акустична Інженерія: Том 4 № 4 (2021): Електроніка - 2021

Попереднє 21-30 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/.