Ефективна реалізація нейронних мереж для пристроїв з низьким енергоспоживанням
| dc.contributor.author | Янг, Жао | |
| dc.contributor.author | Yang, Zhao | |
| dc.date.accessioned | 2024-02-28T09:59:45Z | |
| dc.date.available | 2024-02-28T09:59:45Z | |
| dc.date.issued | 2023 | |
| dc.description | Янг Жао. Effective Neural Networks implementation for Low power devices: магістерська робота, спеціальність 123 Комп'ютерна інженерія / Янг Жао — Запоріжжя: НУ «Запорізька політехніка», 2023. — 72 c. | uk |
| dc.description.abstract | UK: В останні роки алгоритми глибокого навчання широко використовуються в малопотужних пристроях, таких як безпілотне водіння, моніторинг безпеки та інші сценарії. Таким чином, як удосконалити існуючі мережеві моделі малопотужних пристроїв і оптимізувати передову обчислювальну структуру ефективної нейронної мережі, є гарячою областю досліджень малопотужних пристроїв. Ця дисертація є пов'язаним дослідженням алгоритму виявлення легких цілей на основі малопотужного та низького обчислювального обладнання. Основний зміст дослідження полягає в удосконаленні полегшеної мережі вилучення ознак, стисненні моделей (обрізання параметрів, кількісна оцінка моделі) та розгортанні алгоритму виявлення на вбудованих пристроях. Інноваційним моментом даного дослідження є редизайн методу оптимізації виявлення об'єктів на основі глибокого навчання і застосування трьох малопотужних вбудованих обчислювальних платформ, а саме Raspberry Pi 3B+, Jetson Nano і KendryteKD233. EN: In recent years, deep learning algorithms have been widely used in low-power devices, such as unmanned driving, security monitoring and other scenarios. Therefore, how to improve the existing network models of low-power devices and optimize the forward computing framework of efficient neural network is a hot field of research on low-power devices.This dissertation is a related study on lightweight target detection algorithm based on low power and low computing equipment. The main research contents are to improve the lightweight feature extraction network, model compression (parameter pruning, model quantification) and the deployment of detection algorithm on embedded devices. The innovation point of this study is the redesign of the deep learning-based object detection optimization method and the application of three low-power embedded computing platforms, namely Raspberry Pi 3B +, Jetson Nano and KendryteKD233. | uk |
| dc.identifier.uri | http://eir.zntu.edu.ua/handle/123456789/11526 | |
| dc.language.iso | uk | uk |
| dc.publisher | Національний університет «Запорізька політехніка» | uk |
| dc.subject | Low-power embedded devices | uk |
| dc.subject | Target detection | uk |
| dc.subject | Model pruning | uk |
| dc.subject | Малопотужні вбудовані пристрої | uk |
| dc.subject | Виявлення цілі | uk |
| dc.subject | Модельна обрізка | uk |
| dc.title | Ефективна реалізація нейронних мереж для пристроїв з низьким енергоспоживанням | uk |
| dc.title.alternative | Effective Neural Networks implementation for Low power devices | uk |
| dc.type | Master thesis | uk |