文献

J-GLOBAL ID：202002264546143079   整理番号：20A2283357

エネルギー効率の良いCNN推論のための特徴マップ変換符号化【JST・京大機械翻訳】

Feature Map Transform Coding for Energy-Efficient CNN Inference

著者 (8件)： Chmiel Brian (Intel - Artificial Intelligence Products Group (AIPG),Haifa,Israel) ,  Baskin Chaim (Technion - Israel Institute of Technology,Haifa,Israel) ,  Zheltonozhskii Evgenii (Technion - Israel Institute of Technology,Haifa,Israel) ,  Banner Ron (Intel - Artificial Intelligence Products Group (AIPG),Haifa,Israel) ,  Yermolin Yevgeny (Technion - Israel Institute of Technology,Haifa,Israel) ,  Karbachevsky Alex (Technion - Israel Institute of Technology,Haifa,Israel) ,  Bronstein Alex M. (Technion - Israel Institute of Technology,Haifa,Israel) ,  Mendelson Avi (Technion - Israel Institute of Technology,Haifa,Israel)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IJCNN  ページ： 1-9  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： 畳み込みニューラルネットワーク(CNN)は,コンピュータビジョンおよびそれを超える様々なタスクにおいて最先端の精度を達成する。低電力エッジデバイスの推論のためのCNNのユビキタス使用を妨げる主要な障害の一つは,それらの高い計算量とメモリ帯域幅要求である。後者は現代のハードウェア上のエネルギーフットプリントをしばしば支配する。本論文では,中間活性化計算結果の記憶によるメモリ帯域幅を低減するために設計した画像およびビデオ圧縮によりヒントを得た損失変換符号化アプローチを導入した。提案手法では,ネットワーク重みを微調整することを必要とせず,特徴マップを圧縮することにより,データ転送ボリュームを主メモリに半分にし,可変長符号化と高度に相関する。著者らの方法は,ResNet-34とMobileNetV2に関するマイナーな精度劣化によって,値あたりのビット数に関して以前の方式より性能が優れていた。様々なCNNアーキテクチャに対する提案アプローチの性能を解析し,本手法によるResNet-18のFPGA実装が,量子化ネットワークと比較してメモリエネルギーフットプリントの約40%の削減をもたらし,精度への影響が無視できることを示した。2%までの精度劣化を可能にするとき,60%の削減を達成した。参照実装は論文を随伴する。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： 記憶装置 ,  量子化 ,  ネットワーク ,  計算量 ,  ハードウェア ,  帯域幅 ,  データ転送 ,  コンピュータビジョン ,  主メモリ ,  計算機アーキテクチャ ,  *変換符号化
準シソーラス用語： ビデオ圧縮 ,  低電力化 ,  FPGA実装 ,  畳込みニューラルネットワーク , 【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 (5件)： エネルギー効率 ,  CNN ,  推論 ,  特徴マップ ,  変換符号化