文献

J-GLOBAL ID：201902245403399266   整理番号：19A1172812

一対多のデータフローにおける共有CNNを用いたマルチタスク分割推論実行

著者 (3件)： 平賀由利亜 (奈良先端科学技術大学院大) ,  中田尚 (奈良先端科学技術大学院大) ,  中島康彦 (奈良先端科学技術大学院大)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 118  号： 514(CPSY2018 103-121)(Web)  ページ： 241-246 (WEB ONLY)  発行年： 2019年03月10日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 本稿では深層学習アプリケーションにおけるネットワークの輻輳問題とクラウドへの計算負荷の集中を軽減するため,マルチタスクにおける共有CNNを用いた深層学習の推論の分割と中間データを圧縮する手法を提案し,RGB画像に共通の前処理をしたものを入力とした共有可能なタスクと全体計算量,転送データサイズの削減割合について調査を行う。ILSVRC2012の物体認識タスクとPASCAL VOCの物体検出タスクに対して中間データの圧縮にBPG圧縮を利用した場合,物体認識タスクでは圧縮前のモデルの精度と比較するとTop1ではVGG16は2.11%,MobileNetV2は2.59%の精度の劣化を示し,物体検出タスクではSSD300と比較をするとVGG16は19.93%,MobileNetV2は14.91%の精度を劣化を示した。同時に,VGG16を使用した場合に全体計算量を42.30%,データ転送量の36.19%の削減を行った。MobileNetV2では全体計算量を10.83%削減し,データ転送量の68.70%の削減を行った。(著者抄録)

シソーラス用語： *ニューラルネットワーク ,  推論 ,  *計算機処理方式 ,  機械学習 ,  データ圧縮 ,  *物体認識 ,  検出 ,  精度 ,  実験 ,  畳込みニューラルネットワーク ,  深層学習 ,  評価実験 ,  物体検出
準シソーラス用語： マルチタスク ,  推論処理 ,  認識精度

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (13件)：

• 総務省, “情報通信白書”
• J. Yosinski, J. Clune, Y. Bengio, and H. Lipson, “How transferable are features in deep neural networks?,” CoRR, abs/1411.1792, 2014.
• Y. Kang, J. Hauswald, C. Gao, A. Rovinski, T.N. Mudge, J. Mars, and L. Tang, “Neurosurgeon: Collaborative intelligence between the cloud and mobile edge,” ASPLOS, 615-629, ACM, 2017.
• K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” CoRR, abs/1409.1556, 2014.
• H. Choi and I.V. Baji, “Near-lossless deep feature compression for collaborative intelligence,” IEEE MMSP’18, Vancouver, BC, 2018.

タイトルに関連する用語 (5件)： データフロー ,  共有 ,  CNN ,  マルチタスク ,  推論