Mälardalens högskolas logotyp

Text

  • Studieort Sal U2-024, MDH Västerås/ digitalt via Zoom
Datum
  • 2020-12-04 11:30–13:30

Mohammad Loni försvarar sin licentiatuppsats i datavetenskap

Mohammad Loni vid akademin för innovation, design och teknik (IDT), försvarar sin licentiatuppsats i datavetenskap den 4 december 2020 klockan 11:30, i sal U2-024, MDH Västerås och digitalt (Zoom).

Titel: “DeepMaker: Customizing the Architecture of Convolutional Neural Networks for Resource-Constrained Platforms”.

Serienummer: 299.

Betygsnämnden utgörs av professor Franz Pernkopf, Graz University of Technology, professor Vladimir Vlassov, KTH och docent Andreas Ermedahl, Ericsson.

Professor Franz Pernkopf, Graz University of Technology, har utsetts till opponent.

Reserv: Professor Shahina Begum, MDH.

Sammanfattning

Convolutional Neural Networks (CNNs) lider av energihungriga implementationer på grund av att de kräver enorm beräkningskapacitet och har en betydande minneskonsumtion. Detta problem kommer att framhävas mer när allt fler CNN implementeras på resursbegränsade plattformar i inbyggda datorsystem.

I denna uppsats fokuserar vi på att minska resursåtgången för CNN, i termer av behövda beräkningar och behövt minne, för att vara lämplig för resursbegränsade plattformar. Vi föreslår två metoder för att hantera utmaningarna; optimera CNN-arkitektur där man balanserar nätverksnoggrannhet och nätverkskomplexitet, och föreslår ett optimerat ternärt neuralt nätverk för att kompensera noggrannhetsförluster som kan uppstå vid nätverkskvantiseringsmetoder. Vi utvärderade effekterna av våra lösningar på kommersiellt använda plattformar (COTS) där resultaten visar betydande förbättringar i nätverksnoggrannhet och energieffektivitet.

Kontaktinformation

Doktorand

Mohammad Loni

mohammad.loni@mdh.se

Till toppen