論文の概要: An affordable hardware-aware neural architecture search for deploying convolutional neural networks on ultra-low-power computing platforms

• arxiv url: http://arxiv.org/abs/2606.16290v1
• Date: Mon, 15 Jun 2026 06:51:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.12737
• Title: An affordable hardware-aware neural architecture search for deploying convolutional neural networks on ultra-low-power computing platforms
• Title（参考訳）: 超低消費電力コンピューティングプラットフォーム上に畳み込みニューラルネットワークをデプロイするための安価なハードウェア対応ニューラルネットワーク探索
• Authors: Andrea Mattia Garavagno, Edoardo Ragusa, Antonio Frisoli, Paolo Gastaldo,
• Abstract要約: ハードウェア対応のニューラルネットワークサーチ(HW-NAS)により、マイクロコントローラデバイスへの畳み込みニューラルネットワーク(CNN)の統合が可能になる。 この研究は、超低消費電力マイクロコントローラ上で動作可能な小さなCNNを生成するHW-NASを提示する。
• 参考スコア（独自算出の注目度）: 3.1945067016153437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hardware-aware neural architecture search (HW-NAS) allows the integration of Convolutional Neural Networks (CNNs) in microcontrollers devices by automatically designing neural architectures that can fit prearranged hardware constraints. However, state-of-the-art HW-NAS target high-performance microcontrollers, whose power consumption does not meet sensing nodes requirements. This work presents a HW-NAS generating tiny CNNs that can run on ultra-low-power microcontrollers, featuring a lightweight search procedure enabling its execution even on embedded devices. Empirical results on three well-known benchmarks for tiny computer vision proved that the proposed HW-NAS was able to generate tiny CNNs while preserving state-of-the-art classification accuracy.
• Abstract（参考訳）: ハードウェア対応のニューラルアーキテクチャサーチ(HW-NAS)は、事前配置されたハードウェア制約に適合するニューラルネットワークを自動設計することにより、マイクロコントローラデバイスへの畳み込みニューラルネットワーク(CNN)の統合を可能にする。 しかし、最先端のHW-NASは、センサノードの要求を満たしていない高性能マイクロコントローラをターゲットにしている。 本研究では,超低消費電力マイクロコントローラ上で動作可能な小型CNNをHW-NASで生成する。 小型コンピュータビジョンのための3つのよく知られたベンチマーク実験の結果、提案されたHW-NASは最先端の分類精度を維持しながら、小さなCNNを生成することができた。

関連論文リスト

• Running hardware-aware neural architecture search on embedded devices under 512MB of RAM [3.194506701615343]
  提案したHW NASは、ローエンドマイクロコントローラユニット(MCU)をターゲットにした小さな畳み込みニューラルネットワーク(CNN)を生成する。 ゲートウェイは、外部サーバを使わずに、取得したデータ上のCNNのアーキテクチャをカスタマイズして、プライバシを確保することができる。 この技術は、標準的なTinyMLベンチマークであるVisual Wake Wordデータセット上で、複数の組み込みデバイス上での人間の認識タスクの最先端の結果を達成する。
  論文  参考訳（メタデータ） (2026-06-12T13:28:49Z)
• ONNX-Net: Towards Universal Representations and Instant Performance Prediction for Neural Architectures [60.14199724905456]
  ONNX-Benchは、ONNXファイルに基づいた統一形式のニューラルネットワークの集合からなるベンチマークである。 ONNX-Netは、パフォーマンス予測器への入力として機能する自然言語記述を使用して、任意のニューラルネットワークを表す。 実験では,少数の事前学習サンプルのみを用いて,異なる探索空間をまたいだゼロショット性能を示す。
  論文  参考訳（メタデータ） (2025-10-06T15:43:36Z)
• DNA Family: Boosting Weight-Sharing NAS with Block-Wise Supervisions [121.05720140641189]
  蒸留型ニューラルアーキテクチャ(DNA)技術を用いたモデル群を開発した。 提案するDNAモデルでは,アルゴリズムを用いてサブサーチ空間にのみアクセス可能な従来の手法とは対照的に,すべてのアーキテクチャ候補を評価できる。 当社のモデルでは,モバイルコンボリューションネットワークと小型ビジョントランスフォーマーにおいて,ImageNet上で78.9%,83.6%の最先端トップ1精度を実現している。
  論文  参考訳（メタデータ） (2024-03-02T22:16:47Z)
• Optimized Deployment of Deep Neural Networks for Visual Pose Estimation on Nano-drones [9.806742394395322]
  小型無人航空機(UAV)は小型化が進み、屋内ナビゲーションや人体監視といった新しいタスクが可能になった。 本研究では,Deep Neural Networks (DNN) を用いた視覚的ポーズ推定タスクの自動最適化パイプラインを提案する。 その結果,アイソエラー時の予測遅延を最大3.22倍改善した。
  論文  参考訳（メタデータ） (2024-02-23T11:35:57Z)
• SpikeNAS: A Fast Memory-Aware Neural Architecture Search Framework for Spiking Neural Network-based Embedded AI Systems [6.006032394972252]
  スパイキングニューラルネットワーク(SNN)は、高精度で超低消費電力/エネルギー計算を提供する。 SpikeNASは、SNNのための新しい高速メモリ対応ニューラルアーキテクチャ検索フレームワークである。 以上の結果から,SpikeNASは検索時間を改善するとともに,最先端技術と比較して高い精度を維持していることがわかった。
  論文  参考訳（メタデータ） (2024-02-17T16:33:54Z)
• Deep Neural Network Architecture Search for Accurate Visual Pose Estimation aboard Nano-UAVs [69.19616451596342]
  小型無人航空機(UAV)は、新興かつトレンドのトピックである。 我々は、新しいニューラルネットワーク探索(NAS)技術を活用し、視覚的ポーズ推定タスクのために複数の畳み込みニューラルネットワーク(CNN)を自動的に識別する。 その結果,10Hz@10mWおよび50Hz@90mWの実時間オンボード推算速度を達成しつつ,フィールド内制御誤差を32%低減し,現状を改善できた。
  論文  参考訳（メタデータ） (2023-03-03T14:02:09Z)
• Colab NAS: Obtaining lightweight task-specific convolutional neural networks following Occam's razor [1.6309682969263486]
  ColabNASは、タスク固有のCNNを生成するための安価なハードウェア対応ニューラルネットワークサーチ(HW NAS)技術である。 オッカムのカミソリにインスパイアされた、新しいデリバティブフリー検索戦略は、Visual Wake Wordデータセットで最先端の結果を得ることができる。
  論文  参考訳（メタデータ） (2022-12-15T10:23:32Z)
• 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)
• Neural Architecture Search of SPD Manifold Networks [79.45110063435617]
  本研究では,Symmetric Positive Definite (SPD) 多様体ネットワークのニューラルアーキテクチャ探索(NAS)問題を提案する。 まず、効率的なSPDセル設計のために、幾何学的にリッチで多様なSPDニューラルアーキテクチャ探索空間を導入する。 我々は、SPDニューラルアーキテクチャ探索のための緩和された連続探索空間上で微分可能なNASアルゴリズムを利用する。
  論文  参考訳（メタデータ） (2020-10-27T18:08:57Z)
• 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)
• S3NAS: Fast NPU-aware Neural Architecture Search Methodology [2.607400740040335]
  S3NASと呼ばれる高速なNPU対応NAS手法を提案し,既存のNASよりも高精度なCNNアーキテクチャを提案する。 TPUv3を使って3時間でネットワークを見つけることができ、11.66ミリ秒のレイテンシでImageNetの82.72%のトップ1の精度を示している。
  論文  参考訳（メタデータ） (2020-09-04T04:45:50Z)

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。