Convolutional neural networks (CNNs) are dominating a vast majority of application scenarios including image processing tasks in domains, such as robotics and autonomous driving. An ever-increasing memory intensity and computational complexity is observed. To counteract these challenges, this thesis presents a tripartite HW-CNN co-design paradigm for the efficient application of CNNs on embedded accelerators including six novel optimization methods, on the three levels of abstraction.
Translated abstract:
Convolutional Neural Networks (CNNs) dominieren die überwiegende Mehrheit der Anwendungen einschließlich Bildverarbeitungsaufgaben in Bereichen wie Robotik und autonomes Fahren. Es ist eine ständig zunehmende Speicher- und Rechenkomplexität zu beobachten. Um entgegenzuwirken, wird in dieser Arbeit ein dreigliedriges HW-CNN Co-Design-Paradigma für die effiziente Anwendung von CNNs auf eingebetteter HW einschließlich sechs neuartiger Optimierungsmethoden auf den drei Abstraktionsebenen vorgestellt.
«
Convolutional Neural Networks (CNNs) dominieren die überwiegende Mehrheit der Anwendungen einschließlich Bildverarbeitungsaufgaben in Bereichen wie Robotik und autonomes Fahren. Es ist eine ständig zunehmende Speicher- und Rechenkomplexität zu beobachten. Um entgegenzuwirken, wird in dieser Arbeit ein dreigliedriges HW-CNN Co-Design-Paradigma für die effiziente Anwendung von CNNs auf eingebetteter HW einschließlich sechs neuartiger Optimierungsmethoden auf den drei Abstraktionsebenen vorgestellt...
»