User: Guest  Login
Original title:
HAPPi-Net: Hardware-Aware Performant Perception of Neural Networks
Translated title:
HAPPi-Net: Hardware-bewusste performante Perzeption von neuronalen Netzen
Author:
Frickenstein, Alexander
Year:
2021
Document type:
Dissertation
Faculty/School:
Fakultät für Elektrotechnik und Informationstechnik
Advisor:
Stechele, Walter (Prof. Dr.)
Referee:
Stechele, Walter (Prof. Dr.); Martina, Maurizio ( Prof. Ph.D.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik
Keywords:
HW-CNN Co-design, Compression, Convolutional Neural Network, Pruning, Quantization, Binarization, Winograd Convolution
Translated keywords:
HW-CNN Co-Design, Kompression, Neuronales Faltungsnetz, Beschneiden, Quantisierung, Binarisierung, Winograd-Faltung
TUM classification:
DAT 200
Abstract:
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...     »
ISBN:
978-3-8440-8069-8
WWW:
https://mediatum.ub.tum.de/?id=1580026
Date of submission:
14.12.2020
Oral examination:
08.04.2021
Last change:
12.08.2021
 BibTeX