論文の概要: BioNetExplorer: Architecture-Space Exploration of Bio-Signal Processing
Deep Neural Networks for Wearables
- arxiv url: http://arxiv.org/abs/2109.02909v1
- Date: Tue, 7 Sep 2021 07:37:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-08 21:34:36.881314
- Title: BioNetExplorer: Architecture-Space Exploration of Bio-Signal Processing
Deep Neural Networks for Wearables
- Title（参考訳）: BioNetExplorer:ウェアラブル向けバイオシグナル処理ディープニューラルネットワークのアーキテクチャ空間探索
- Authors: Bharath Srinivas Prabakaran, Asima Akhtar, Semeen Rehman, Osman Hasan,
Muhammad Shafique
- Abstract要約: BioNetExplorerは、ウェアラブルにおける生体信号処理のための複数のDNNアーキテクチャの生成と探索のためのフレームワークである。
我々のフレームワークは、ハードウェアオーバーヘッドの少ない組み込みDNNを探すために、キーとなるニューラルネットワークパラメータに適応する。
遺伝的アルゴリズムは、徹底的な探索に比べて、平均して9倍の探索時間を短縮する。
- 参考スコア（独自算出の注目度）: 14.880365619703756
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we propose the BioNetExplorer framework to systematically
generate and explore multiple DNN architectures for bio-signal processing in
wearables. Our framework adapts key neural architecture parameters to search
for an embedded DNN with a low hardware overhead, which can be deployed in
wearable edge devices to analyse the bio-signal data and to extract the
relevant information, such as arrhythmia and seizure. Our framework also
enables hardware-aware DNN architecture search using genetic algorithms by
imposing user requirements and hardware constraints (storage, FLOPs, etc.)
during the exploration stage, thereby limiting the number of networks explored.
Moreover, BioNetExplorer can also be used to search for DNNs based on the
user-required output classes; for instance, a user might require a specific
output class due to genetic predisposition or a pre-existing heart condition.
The use of genetic algorithms reduces the exploration time, on average, by 9x,
compared to exhaustive exploration. We are successful in identifying
Pareto-optimal designs, which can reduce the storage overhead of the DNN by
~30MB for a quality loss of less than 0.5%. To enable low-cost embedded DNNs,
BioNetExplorer also employs different model compression techniques to further
reduce the storage overhead of the network by up to 53x for a quality loss of
<0.2%.
- Abstract（参考訳）: 本研究では,ウェアラブルにおける生体信号処理のための複数のDNNアーキテクチャを体系的に生成し,探索するBioNetExplorerフレームワークを提案する。
我々のフレームワークは、ハードウェアオーバーヘッドの少ない組み込みDNNを探すために、重要なニューラルネットワークパラメータを適用し、ウェアラブルエッジデバイスに展開して生体信号データを分析し、不整脈や発作などの関連情報を抽出することができる。
また,ユーザの要求やハードウェア制約(ストレージ,FLOPなど)を考慮し,遺伝的アルゴリズムを用いたハードウェア対応のDNNアーキテクチャ検索を可能にする。
探索段階では、探索するネットワークの数を制限した。
さらに、BioNetExplorerは、ユーザーが要求する出力クラスに基づいてDNNを検索するためにも使用できる。
遺伝的アルゴリズムを用いることで、徹底的な探索に比べて平均して9倍の探索時間が短縮される。
我々は,DNNのストレージオーバーヘッドを約30MB削減し,品質損失が0.5%未満であるパレート最適設計の同定に成功した。
低コストの組み込みDNNを実現するため、BioNetExplorerは異なるモデル圧縮技術を使用して、ネットワークのストレージオーバーヘッドを最大53倍減らし、品質損失が0.2%になる。
関連論文リスト
- EvSegSNN: Neuromorphic Semantic Segmentation for Event Data [0.6138671548064356]
EvSegSNN は、Parametric Leaky Integrate と Fire のニューロンに依存した、生物学的に検証可能なエンコーダ-デコーダU字型アーキテクチャである。
本稿では,スパイキングニューラルネットワークとイベントカメラを組み合わせることによって,エンド・ツー・エンドのバイオインスパイアされたセマンティックセマンティックセマンティクス手法を提案する。
DDD17で実施された実験は、EvSegSNNがMIoUの観点から最も近い最先端モデルを上回っていることを示している。
論文 参考訳（メタデータ） (2024-06-20T10:36:24Z) - Hardware-Aware DNN Compression via Diverse Pruning and Mixed-Precision
Quantization [1.0235078178220354]
本稿では, プルーニングと量子化を併用してハードウェアに配慮したディープニューラルネットワーク(DNN)の自動圧縮フレームワークを提案する。
われわれのフレームワークはデータセットの平均エネルギー消費量を39%減らし、平均精度損失を1.7%減らし、最先端のアプローチを著しく上回っている。
論文 参考訳（メタデータ） (2023-12-23T18:50:13Z) - FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。
この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。
分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
論文 参考訳（メタデータ） (2022-01-18T13:59:22Z) - CondenseNeXt: An Ultra-Efficient Deep Neural Network for Embedded
Systems [0.0]
畳み込みニューラルネットワーク(英: Convolutional Neural Network, CNN)は、画像センサが捉えた視覚画像の分析に広く用いられているディープニューラルネットワーク(DNN)のクラスである。
本稿では,組込みシステム上でのリアルタイム推論のために,既存のCNNアーキテクチャの性能を改善するために,深層畳み込みニューラルネットワークアーキテクチャの新しい変種を提案する。
論文 参考訳（メタデータ） (2021-12-01T18:20:52Z) - Sub-bit Neural Networks: Learning to Compress and Accelerate Binary
Neural Networks [72.81092567651395]
Sub-bit Neural Networks (SNN) は、BNNの圧縮と高速化に適した新しいタイプのバイナリ量子化設計である。
SNNは、微細な畳み込みカーネル空間におけるバイナリ量子化を利用するカーネル対応最適化フレームワークで訓練されている。
ビジュアル認識ベンチマークの実験とFPGA上でのハードウェア展開は、SNNの大きな可能性を検証する。
論文 参考訳（メタデータ） (2021-10-18T11:30:29Z) - Binary Complex Neural Network Acceleration on FPGA [19.38270650475235]
Binarized Complex Neural Network (BCNN) は、複雑なデータをリアルタイムに分類する大きな可能性を示している。
我々は、エッジデバイス上で5000フレーム/秒の推論スループットを提供できるBCNNの構造的プルーニングベースのアクセラレーションを提案する。
論文 参考訳（メタデータ） (2021-08-10T17:53:30Z) - Quantized Neural Networks via {-1, +1} Encoding Decomposition and
Acceleration [83.84684675841167]
本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。
本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2021-06-18T03:11:15Z) - Wireless Localisation in WiFi using Novel Deep Architectures [4.541069830146568]
本稿では,コモディティ・チップセットと標準チャネル・サウンドによるWiFi機器の屋内位置推定について検討する。
本稿では、異なるアンテナで受信されたWiFiサブキャリアに対応するチャネル状態情報から特徴を抽出する、新しい浅層ニューラルネットワーク(SNN)を提案する。
論文 参考訳（メタデータ） (2020-10-16T22:48:29Z) - MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。
我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。
我々は精度-速度トレードオフの観点から最先端の結果を得る。
論文 参考訳（メタデータ） (2020-09-29T11:56:01Z) - Neural Architecture Search For LF-MMI Trained Time Delay Neural Networks [61.76338096980383]
TDNN(State-of-the-the-art Factored Time delay Neural Network)の2種類のハイパーパラメータを自動的に学習するために、さまざまなニューラルネットワークサーチ(NAS)技術が使用されている。
DARTSメソッドはアーキテクチャ選択とLF-MMI(格子のないMMI)TDNNトレーニングを統合する。
300時間のSwitchboardコーパスで行われた実験では、自動構成システムはベースラインLF-MMI TDNNシステムより一貫して優れていることが示唆された。
論文 参考訳（メタデータ） (2020-07-17T08:32:11Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。