Loading...
hidden

Mobile-Version anzeigen

Meta-Navigation

Startseite – Hochschule Luzern

Sprachwahl und wichtige Links

  • Zum Inhalt springen
  • Kontakt
  • Login
  • De
Suche starten

Hauptnavigation

Departementsnavigation

  • Technik & Architektur
  • Wirtschaft
  • Informatik
  • Soziale Arbeit
  • Design & Kunst
  • Musik

Unternavigation

  • Studium
  • Weiterbildung
  • Forschung
  • Institute
  • Über uns

Unternavigation

Breadcrumbs-Navigation

  1. Technik & Architektur Technik & Architektur
  2. Über uns Über uns
  3. Institute im Bereich Technik Institute im Bereich Technik
  4. Elektrotechnik Elektrotechnik
  5. edgeAI@T&A edgeAI@T&A
  6. Evolutionary CNN Architecture Search Evolutionary CNN Architecture Search

Evolutionary CNN Architecture Search  - Finding Neural Networks for Embedded Devices

Neural network inference on embedded devices has to meet accuracy and latency requirements under tight resource constraints.

The design of suitable network architectures is a challenging and time-consuming task. Therefore, automatic discovery and optimization of neural networks is considered important for continuing the trend of moving classification tasks from cloud to edge computing.
In this project an evolutionary method to optimize a convolutional neural network (CNN) architecture for classification tasks has been developed. The method runs efficiently on a single GPUworkstation and provides simple means to direct the tradeoff between complexity and accuracy of the evolved network. Using this method, we achieved a 11x reduction in the number of multiply-accumulate (MAC) operations of the winning network for the German Traffic Sign Recognition Benchmark (GTSRB) without accuracy reduction. An ensemble of four of our evolved networks competes the winning ensemble with a 0.1% lower accuracy but 70x reduction in MACs and 14x reduction in parameters. In a second stage of this project, the method has been extended to perform hardware-aware CNN architecture search for an inference accelerator method based on binary approximation of CNN weights. 

Data Generation
• Open-source data set
Machine Learning Frameworks
• Tensorflow
• Keras
Neural Network Architecture
• CNN
Inference Target Platform
• GPU
• FPGA
• MCU

Publikationen

hidden
  • F. M. Johner and J. Wassner, "Efficient Evolutionary Architecture Search for CNN Optimization on GTSRB," 2019 18th IEEE International Conference On Machine Learning And Applications (ICMLA), 2019, pp. 56-61, doi: 10.1109/ICMLA.2019.00018

Prof. Dr. Jürgen Wassner

Co-Leiter CC Intelligent Sensors and Networks

+41 41 349 33 56

E-Mail anzeigen

Footer

FH Zentralschweiz

Links zu den Social-Media-Kanälen

  •  Facebook
  •  Instagram
  •  Twitter
  •  LinkedIn
  •  YouTube
  •  Flickr

Kontakt

Logo Technik & Architektur

Hochschule Luzern

Technik & Architektur

Technikumstrasse 21
CH- 6048 Horw

+41 41 349 33 11

technik-architektur@hslu.ch

Direkteinstieg

  • Für Studierende
  • Weiterbildungsinteressierte
  • Für Mitarbeitende
  • Medienschaffende

Quicklink

  • Personensuche
  • Jobs & Karriere
  • Organisation des Departements Technik & Architektur
  • Facts & Figures
  • Diversity
  • Räume mieten
  • Bibliothek

Statische Links

  • Newsletter abonnieren
  • Datenschutzerklärung
  • Impressum
  • Institutionell akkreditiert nach HFKG 2019–2026
Logo Swissuniversities

QrCode

QrCode
Wir verwenden Cookies, um Ihnen eine optimale Nutzung der Website zu ermöglichen und um Ihnen auf unserer Website, auf anderen Websites und in sozialen Netzwerken personalisierte Werbung anzuzeigen. Indem Sie diesen Hinweis schliessen oder mit dem Besuch der Seite fortfahren, akzeptieren Sie die Verwendung von Cookies. Weitere Informationen zu diesen Cookies und wie Sie die Datenbearbeitung durch sie ablehnen können, finden Sie in unserer Datenschutzerklärung.
OK