Academic Bibliography

 Search 200 years of publications by Ghent University researchers.
Advanced search
1 file | 3.89 MB
Add to list
  1. Search results
  2. Resource-efficient deep learning for ...

Resource-efficient deep learning for computer vision

Maxim Bonnaerens (UGent)
(2023)
Author
Promoter
(UGent) and (UGent)
Organization
Abstract
Deep-learning technieken hebben doorgaans veel rekenkracht en geheugen nodig. Dit proefschrift richt zich op het onderzoek naar efficiënte deep-learning technieken voor computervisie, met als doel het mogelijk te maken om geavanceerde AI-modellen in te zetten op mobiele en embedded apparaten met beperkte rekenkracht. Het bekijkt zowel het compact ontwerpen van neurale netwerkarchitecturen als het comprimeren van bestaande modellen. Specifieke onderzochte technieken zijn de selectie van efficiënte bouwstenen voor het ontwerpproces van neurale netwerken, het reduceren van de invoer pakketten in Vision Transformers, en het verminderen van het aantal ankers in objectdetectiemodellen. De voorgestelde methodes stellen ontwerpers in staat om een afweging te maken tussen nauwkeurigheid en efficiëntie, zodat de juiste balans kan worden gevonden voor de specifieke applicatie en het beschikbare hardwareplatform.

Downloads

  • Download
    maxim Bonnaerens.pdf
    • full text (Published version)
    • |
    • open access
    • |
    • PDF
    • |
    • 3.89 MB

Citation

Please use this url to cite or link to this publication:

MLA
Bonnaerens, Maxim. Resource-Efficient Deep Learning for Computer Vision. Ghent University. Faculty of Engineering and Architecture, 2023.
APA
Bonnaerens, M. (2023). Resource-efficient deep learning for computer vision. Ghent University. Faculty of Engineering and Architecture, Ghent, Belgium.
Chicago author-date
Bonnaerens, Maxim. 2023. “Resource-Efficient Deep Learning for Computer Vision.” Ghent, Belgium: Ghent University. Faculty of Engineering and Architecture.
Chicago author-date (all authors)
Bonnaerens, Maxim. 2023. “Resource-Efficient Deep Learning for Computer Vision.” Ghent, Belgium: Ghent University. Faculty of Engineering and Architecture.
Vancouver
1.
Bonnaerens M. Resource-efficient deep learning for computer vision. [Ghent, Belgium]: Ghent University. Faculty of Engineering and Architecture; 2023.
IEEE
[1]
M. Bonnaerens, “Resource-efficient deep learning for computer vision,” Ghent University. Faculty of Engineering and Architecture, Ghent, Belgium, 2023.
@phdthesis{01HEMGWENRT8C255N2RD9KAEJC,
  abstract     = {{Deep-learning technieken hebben doorgaans veel rekenkracht en geheugen nodig. Dit proefschrift richt zich op het onderzoek naar efficiënte deep-learning technieken voor computervisie, met als doel het mogelijk te maken om geavanceerde AI-modellen in te zetten op mobiele en embedded apparaten met beperkte rekenkracht. Het bekijkt zowel het compact ontwerpen van neurale netwerkarchitecturen als het comprimeren van bestaande modellen. Specifieke onderzochte technieken zijn de selectie van efficiënte bouwstenen voor het ontwerpproces van neurale netwerken, het reduceren van de invoer pakketten in Vision Transformers, en het verminderen van het aantal ankers in objectdetectiemodellen. De voorgestelde methodes stellen ontwerpers in staat om een afweging te maken tussen nauwkeurigheid en efficiëntie, zodat de juiste balans kan worden gevonden voor de specifieke applicatie en het beschikbare hardwareplatform.}},
  author       = {{Bonnaerens, Maxim}},
  isbn         = {{9789463557733}},
  language     = {{eng}},
  pages        = {{XX, 143}},
  publisher    = {{Ghent University. Faculty of Engineering and Architecture}},
  school       = {{Ghent University}},
  title        = {{Resource-efficient deep learning for computer vision}},
  year         = {{2023}},
}