Optimizing Convolutional Neural Networks for Embedded Systems By Means of Neuroevolution

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F19%3APU134959" target="_blank" >RIV/00216305:26230/19:PU134959 - isvavai.cz</a>

Výsledek na webu

<a href="https://www.fit.vut.cz/research/publication/12045/" target="_blank" >https://www.fit.vut.cz/research/publication/12045/</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-34500-6_7" target="_blank" >10.1007/978-3-030-34500-6_7</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Optimizing Convolutional Neural Networks for Embedded Systems By Means of Neuroevolution

Popis výsledku v původním jazyce

Automated design methods for convolutional neural networks (CNNs) have recently been developed in order to increase the design productivity. We propose a neuroevolution method capable of evolving and optimizing CNNs with respect to the classification error and CNN complexity (expressed as the number of tunable CNN parameters), in which the inference phase can partly be executed using fixed point operations to further reduce power consumption. Experimental results are obtained with TinyDNN framework and presented using two common image classification benchmark problems - MNIST and CIFAR-10.

Název v anglickém jazyce

Optimizing Convolutional Neural Networks for Embedded Systems By Means of Neuroevolution

Popis výsledku anglicky

Automated design methods for convolutional neural networks (CNNs) have recently been developed in order to increase the design productivity. We propose a neuroevolution method capable of evolving and optimizing CNNs with respect to the classification error and CNN complexity (expressed as the number of tunable CNN parameters), in which the inference phase can partly be executed using fixed point operations to further reduce power consumption. Experimental results are obtained with TinyDNN framework and presented using two common image classification benchmark problems - MNIST and CIFAR-10.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Theory and Practice of Natural Computing

ISBN

978-3-030-34499-3

ISSN

—

e-ISSN

—

Počet stran výsledku

13

Strana od-do

109-121

Název nakladatele

Springer International Publishing

Místo vydání

Cham

Místo konání akce

Kingston

Datum konání akce

9. 12. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000611522600007