1,720,964 research outputs found
Conception conjointe de réseaux de neurones profonds et d’architectures FPGA flux de données pour la segmentation sémantique dans les véhicules autonomes
No full textThis thesis explores the deployment of deep learning models, particularly semantic segmentation, on Field-Programmable Gate Arrays (FPGAs), which offer power-efficient, low-latency solutions for resource-constrained systems like autonomous vehicles and drones. While FPGAs have advantages for these applications, they present challenges due to limited computational and memory resources. This research addresses these challenges by focusing on the joint design of neural networks and dataflow architectures on FPGA. Two encoder-decoder models, ResNet18-UNet and ENet, were implemented, and optimized for real-time inference. P-ENet an optimized version of ENet thanks to neural network architecture design space exploration, achieves state-of-the-art performance with 70.3% mIoU on the Cityscapes dataset, 226 FPS, and 4.2 ms latency. The study concludes that co-designing neural networks and hardware yields better trade-offs between accuracy and hardware performance than compression techniques alone. Power comparisons show this FPGA design offers 1.15 times better power efficiency than an embedded GPU.Cette thèse examine le déploiement de modèles d’apprentissage profond, notamment de segmentation sémantique, sur des circuits reconfigurables (FPGAs), qui offrent des solutions efficaces en termes d’énergie et de faible latence pour des systèmes comme les véhicules autonomes ou les drones. Bien que les FPGAs soient avantageux pour ces applications, leurs ressources limitées en calcul et mémoire posent des défis. Les travaux présentés répondent à ces défis en s’intéressant à la conception conjointe de réseaux de neurones et d’architectures FPGA flux de données. Deux modèles sont deployés, ResNet18-UNet et ENet, étant optimisés pour l’inférence en temps réel. P-ENet, une version améliorée d’ENet grâce à une exploration d’architectures de réseaux de neurones, atteint des performances à l’état de l’art avec 70.3% de mIoU sur le jeu de données Cityscapes, 226 FPS, et une latence de 4,2 ms, démontrant que la co-conception des réseaux et du matériel offre de meilleurs compromis entre précision et performances matérielles que la simple compression. Les mesures comparatives effectuées indiquent que les cette architecture sur FPGA est 1,15 fois plus efficace énergétiquement qu’un GPU embarqué
Conception conjointe de réseaux de neurones profonds et d’architectures FPGA flux de données pour la segmentation sémantique dans les véhicules autonomes
No full textCette thèse examine le déploiement de modèles d’apprentissage profond, notamment de segmentation sémantique, sur des circuits reconfigurables (FPGAs), qui offrent des solutions efficaces en termes d’énergie et de faible latence pour des systèmes comme les véhicules autonomes ou les drones. Bien que les FPGAs soient avantageux pour ces applications, leurs ressources limitées en calcul et mémoire posent des défis. Les travaux présentés répondent à ces défis en s’intéressant à la conception conjointe de réseaux de neurones et d’architectures FPGA flux de données. Deux modèles sont deployés, ResNet18-UNet et ENet, étant optimisés pour l’inférence en temps réel. P-ENet, une version améliorée d’ENet grâce à une exploration d’architectures de réseaux de neurones, atteint des performances à l’état de l’art avec 70.3% de mIoU sur le jeu de données Cityscapes, 226 FPS, et une latence de 4,2 ms, démontrant que la co-conception des réseaux et du matériel offre de meilleurs compromis entre précision et performances matérielles que la simple compression. Les mesures comparatives effectuées indiquent que les cette architecture sur FPGA est 1,15 fois plus efficace énergétiquement qu’un GPU embarqué.This thesis explores the deployment of deep learning models, particularly semantic segmentation, on Field-Programmable Gate Arrays (FPGAs), which offer power-efficient, low-latency solutions for resource-constrained systems like autonomous vehicles and drones. While FPGAs have advantages for these applications, they present challenges due to limited computational and memory resources. This research addresses these challenges by focusing on the joint design of neural networks and dataflow architectures on FPGA. Two encoder-decoder models, ResNet18-UNet and ENet, were implemented, and optimized for real-time inference. P-ENet an optimized version of ENet thanks to neural network architecture design space exploration, achieves state-of-the-art performance with 70.3% mIoU on the Cityscapes dataset, 226 FPS, and 4.2 ms latency. The study concludes that co-designing neural networks and hardware yields better trade-offs between accuracy and hardware performance than compression techniques alone. Power comparisons show this FPGA design offers 1.15 times better power efficiency than an embedded GPU
Conception conjointe de réseaux de neurones profonds et d’architectures FPGA flux de données pour la segmentation sémantique dans les véhicules autonomes
No full textThis thesis explores the deployment of deep learning models, particularly semantic segmentation, on Field-Programmable Gate Arrays (FPGAs), which offer power-efficient, low-latency solutions for resource-constrained systems like autonomous vehicles and drones. While FPGAs have advantages for these applications, they present challenges due to limited computational and memory resources. This research addresses these challenges by focusing on the joint design of neural networks and dataflow architectures on FPGA. Two encoder-decoder models, ResNet18-UNet and ENet, were implemented, and optimized for real-time inference. P-ENet an optimized version of ENet thanks to neural network architecture design space exploration, achieves state-of-the-art performance with 70.3% mIoU on the Cityscapes dataset, 226 FPS, and 4.2 ms latency. The study concludes that co-designing neural networks and hardware yields better trade-offs between accuracy and hardware performance than compression techniques alone. Power comparisons show this FPGA design offers 1.15 times better power efficiency than an embedded GPU.Cette thèse examine le déploiement de modèles d’apprentissage profond, notamment de segmentation sémantique, sur des circuits reconfigurables (FPGAs), qui offrent des solutions efficaces en termes d’énergie et de faible latence pour des systèmes comme les véhicules autonomes ou les drones. Bien que les FPGAs soient avantageux pour ces applications, leurs ressources limitées en calcul et mémoire posent des défis. Les travaux présentés répondent à ces défis en s’intéressant à la conception conjointe de réseaux de neurones et d’architectures FPGA flux de données. Deux modèles sont deployés, ResNet18-UNet et ENet, étant optimisés pour l’inférence en temps réel. P-ENet, une version améliorée d’ENet grâce à une exploration d’architectures de réseaux de neurones, atteint des performances à l’état de l’art avec 70.3% de mIoU sur le jeu de données Cityscapes, 226 FPS, et une latence de 4,2 ms, démontrant que la co-conception des réseaux et du matériel offre de meilleurs compromis entre précision et performances matérielles que la simple compression. Les mesures comparatives effectuées indiquent que les cette architecture sur FPGA est 1,15 fois plus efficace énergétiquement qu’un GPU embarqué
Conception conjointe de réseaux de neurones profonds et d’architectures FPGA flux de données pour la segmentation sémantique dans les véhicules autonomes
No full textThis thesis explores the deployment of deep learning models, particularly semantic segmentation, on Field-Programmable Gate Arrays (FPGAs), which offer power-efficient, low-latency solutions for resource-constrained systems like autonomous vehicles and drones. While FPGAs have advantages for these applications, they present challenges due to limited computational and memory resources. This research addresses these challenges by focusing on the joint design of neural networks and dataflow architectures on FPGA. Two encoder-decoder models, ResNet18-UNet and ENet, were implemented, and optimized for real-time inference. P-ENet an optimized version of ENet thanks to neural network architecture design space exploration, achieves state-of-the-art performance with 70.3% mIoU on the Cityscapes dataset, 226 FPS, and 4.2 ms latency. The study concludes that co-designing neural networks and hardware yields better trade-offs between accuracy and hardware performance than compression techniques alone. Power comparisons show this FPGA design offers 1.15 times better power efficiency than an embedded GPU.Cette thèse examine le déploiement de modèles d’apprentissage profond, notamment de segmentation sémantique, sur des circuits reconfigurables (FPGAs), qui offrent des solutions efficaces en termes d’énergie et de faible latence pour des systèmes comme les véhicules autonomes ou les drones. Bien que les FPGAs soient avantageux pour ces applications, leurs ressources limitées en calcul et mémoire posent des défis. Les travaux présentés répondent à ces défis en s’intéressant à la conception conjointe de réseaux de neurones et d’architectures FPGA flux de données. Deux modèles sont deployés, ResNet18-UNet et ENet, étant optimisés pour l’inférence en temps réel. P-ENet, une version améliorée d’ENet grâce à une exploration d’architectures de réseaux de neurones, atteint des performances à l’état de l’art avec 70.3% de mIoU sur le jeu de données Cityscapes, 226 FPS, et une latence de 4,2 ms, démontrant que la co-conception des réseaux et du matériel offre de meilleurs compromis entre précision et performances matérielles que la simple compression. Les mesures comparatives effectuées indiquent que les cette architecture sur FPGA est 1,15 fois plus efficace énergétiquement qu’un GPU embarqué
Going Beyond Counting First Authors in Author Co-citation Analysis
Get PDFThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Variations on the Author
Get PDF“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Get PDFWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
Dispelling the Myths Behind First-author Citation Counts
Get PDFWe conducted a full-scale evaluative citation analysis study of scholars in the XML research field to explore just how different from each other author rankings resulting from different citation counting methods actually are, and to demonstrate the capability of emerging data and tools on the Web in supporting more realistic citation counting methods. Our results contest some common arguments for the continued
use of first-author citation counts in the evaluation of scholars, such as high correlations between author rankings by first-author citation counts and other citation
counting methods, and high costs of using more realistic citation counting methods that are not well-supported by the ISI databases. It is argued that increasingly available digital full text research papers make it possible for citation analysis studies to go beyond what the ISI databases have directly supported and to employ more
sophisticated methods
- …
