抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
現代の深い学習は,性能を著しく改善し,様々な応用に使用されてきた。重い処理コストのために,深い学習のための主要なプラットフォームは,大量の資源を持っている商品コンピュータからクラウドまで移動されてきた。しかしながら,上記の状況は,ネットワークトラフィックの厳しい混雑による応答時間の減速をもたらす。データトラフィックと電力消費の過剰集中を軽減するために,多くの研究者はエッジコンピューティングに注意を払ってきた。著者らは,複数のデバイス上で使用されるDeep Convolution Neural Network(DCNN)を用いた並列処理モデルと,デバイス間のネットワークトラフィックのサイズ縮小に取り組んだ。中間データを圧縮し,ビデオ認識のためのAlexNetにおける分類に用いられる一般的な計算%を集約する手法を提案した。実験により,Zip無損失圧縮は1/24までのデータ量を低減し,HEVC損失圧縮は認識精度の3.5%劣化のみで1/208によりデータ量を低減することを実証した。さらに,一般的計算の凝集は,90%によって30のDCNNsのための計算量を減少させた。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【JST・京大機械翻訳】