文献

J-GLOBAL ID：202002256851011491   整理番号：20A0863739

スクイーズと励起のsqueezenext ハードウェア展開のための効率的なDNN【JST・京大機械翻訳】

Squeeze-and-Excitation SqueezeNext: An Efficient DNN for Hardware Deployment

著者 (2件)： Chappa Ravi Teja N.V.S (Electrical and Computer Engineering, Purdue School of Engineering and Technology,Indianapolis,USA) ,  El-Sharkawy Mohamed (Electrical and Computer Engineering, Purdue School of Engineering and Technology,Indianapolis,USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CCWC  ページ： 0691-0697  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： コンボリューションニューラルネットワークは自律走行車両または運転者支援システム(ADAS)の分野で使用されており,大きな成功を遂げている。畳込みニューラルネットワークの前に,従来の機械学習アルゴリズムは運転者支援システムを助けた。現在では,Mobilenet,SquezeNext&SquezeNetのようなアーキテクチャで行われている大規模な探査がある。それはCNNアーキテクチャを改善し,それをリアルタイム埋込みシステムに実装するのに適している。本論文では,既存のCNNアーキテクチャの性能を改善するために,効率的でコンパクトなCNNを提案した。この提案アーキテクチャの背後にある直感は,より洗練されたブロックモジュールを持つコンボリューション層を想定し,競合精度を持つコンパクトなアーキテクチャを開発することである。さらに,ボトルネックモジュールとスクイゼネクト基本ブロック構造を調査した。最先端のスクイゼネクトのベースラインアーキテクチャを,高性能のsqueezenアーキテクチャを再生し提案するための基礎として用いた。提案したアーキテクチャを,スクラッチからCIFAR-10データセット上でさらに訓練した。全ての訓練と試験結果を,生損失と精度グラフで可視化した。本論文の焦点は,モデルの精度,サイズ,および速度の間の最小のトレードオフでより良く実行できる,効率的なCNN性能のための適応可能で柔軟なモデルを作ることである。0.595MBのモデルサイズと92.60%の精度を持ち,9秒の満足な訓練と検証速度で,このモデルはNXPによるBluetooth2.0のようなリアルタイム自律システムプラットフォーム上に展開できる。Copyright 2020 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】

シソーラス用語： 自律系 ,  *ハードウェア ,  ニューラルネットワーク ,  基準線 ,  可視化 ,  学習アルゴリズム ,  ブロック構造 ,  計算機アーキテクチャ ,  畳込み ,  *励起
準シソーラス用語： スクラッチ ,  埋込みシステム ,  実時間 ,  畳込みニューラルネットワーク ,  自律走行車両 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： スクイーズ ,  励起 ,  ハードウェア ,  展開