| Titre : | Deep neural networks optimization for embedded platforms |
| Auteurs : | Anouar Laouichi, Auteur ; Abderrahim Benaouda, Auteur ; Sid-Ahmed Berrani, Directeur de thèse ; Hamza Yous, Directeur de thèse |
| Type de document : | document électronique |
| Editeur : | [S.l.] : [s.n.], 2020 |
| Format : | 1 fichier PDF (6.1 M) / ill. |
| Note générale : |
Mode d'accès : accès au texte intégral par intranet.
Mémoire de Projet de Fin d’Études : Électronique : Alger, École Nationale Polytechnique : 2020 Bibliogr. f. 85 - 92 |
| Langues : | Anglais |
| Index. décimale : | PN00820 |
| Tags : | Artificial intelligence Deep Neural Embedded Systems Inference Networks Pruning Quantization Object detection Pytorch |
| Résumé : | This project deals with the optimization of Deep Neural Networks for efficientembedded inference. Network Pruning and Quantization techniques are implemented underthe PyTorch environment and benchmarked on ResNet50. The obtained results, consisting ofcompression and speed-up rates, successfully validate the feasibility and the effectiveness of theconcept. To show their practical potential, the two schemes have been applied on RetinaNetobject detector. Additionally, this work demonstrates that inference can be performed at theedge by reducing the model’s memory footprint and the processing time, resulting in reducedlatency and energy consumption as well as improved data security. Hence, new horizons ofapplications in embedded systems are opened up |
Exemplaires (1)
| Cote | Support | Localisation | Section | Disponibilité | Spécialité | Etat_Exemplaire |
|---|---|---|---|---|---|---|
| PN00820 | Ressources électroniques | Bibliothèque centrale | Projet Fin d'Etudes | Disponible | Electronique | Téléchargeable |
Documents numériques (1)
|
LAOUICHI.Anouar_BENAOUDA.Abderrahim.pdf URL
|
