Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Network-Aware Grouping in Distributed Stream Processing Systems Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

POWER: A Parallel-Optimization-Based Framework Towards Edge Intelligent Image Recognition and a Case Study

verfasst von : Yingyi Yang, Xiaoming Mai, Hao Wu, Ming Nie, Hui Wu

Erschienen in: Algorithms and Architectures for Parallel Processing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

To improve the intelligent image recognition abilities of edge devices, a parallel-optimization-based framework called POWER is introduced in this paper. With FPGA (Field-Programmable Gate Array) as its hardware module, POWER provides well extensibility and flexible customization capability for developing intelligent firmware suitable for different types of edge devices in various scenarios. Through an actual case study, we design and implement a firmware prototype following the specification of POWER and explore its performance improvement using parallel optimization. Our experimental results show that the firmware prototype we implement exhibits good performance and is applicable to substation inspection robots, which also validate the effectiveness of our POWER framework in designing edge intelligent firmware modules indirectly.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Parallel Communication Mechanisms in Solving Integral Equations for Electromagnetic Scattering Based on the Method of Moments
Nächstes Kapitel SP-TSRM: A Data Grouping Strategy in Distributed Storage System
Literatur
1.
Abadi, M., et al.: TensorFlow: a system for large-scale machine learning (2016)
2.
Huynh, T.V.: Deep neural network accelerator based on FPGA. In: NAFOSTED Conference on Information and Computer Science, pp. 254–257 (2017)
3.
Krizhevsky, A., Sutskever, I., Hinton, G.E.: ImageNet classification with deep convolutional neural networks. In: International Conference on Neural Information Processing Systems, pp. 1097–1105 (2012)
4.
Lacey, G., Taylor, G.W., Areibi, S.: Deep learning on FPGAs: past, present, and future (2016)
5.
Lecun, Y., Bengio, Y., Hinton, G.: Deep learning. Nature 521(7553), 436–444 (2015)CrossRef
6.
Li, E., Zhou, Z., Chen, X.: Edge intelligence: on-demand deep learning model co-inference with device-edge synergy (2018)
7.
Li, X., Ye, M., Li, T., Center, R.: Review of object detection based on convolutional neural networks. Appl. Res. Comput. 34(10), 2881–2886 (2017)
8.
Li, X., Ding, L., Wang, L., Cao, F.: FPGA accelerates deep residual learning for image recognition. In: IEEE Information Technology, Networking, Electronic and Automation Control Conference, pp. 837–840 (2017)
9.
10.
Lowe, D.G.: Object recognition from local scale-invariant features. In: IEEE International Conference on Computer Vision, p. 1150 (2002)
11.
Redmon, J., Divvala, S., Girshick, R., Farhadi, A.: You only look once: unified, real-time object detection. In: IEEE Conference on Computer Vision and Pattern Recognition, pp. 779–788 (2016)
12.
Ren, S., He, K., Girshick, R., Sun, J.: Faster R-CNN: towards real-time object detection with region proposal networks. IEEE Trans. Pattern Anal. Mach. Intell. 39(6), 1137–1149 (2015)CrossRef
13.
Shi, W., Sun, H., Cao, J., Zhang, Q., Liu, W.: Edge computingan emerging computing model for the internet of everything era. J. Comput. Res. Dev. 54, 907–924 (2017)
14.
Simonyan, K., Zisserman, A.: Very deep convolutional networks for large-scale image recognition. Comput. Sci. arXiv preprint arXiv:​1409-1556 (2014)
15.
Szegedy, C., et al.: Going deeper with convolutions, pp. 1–9 (2014)
16.
Venieris, S.I., Kouris, A., Bouganis, C.S.: Toolflows for mapping convolutional neural networks on FPGAs: a survey and future directions. ACM Comput. Surv. 51(3), 56 (2018)CrossRef
17.
Wang, C., Gong, L., Yu, Q., Li, X., Xie, Y., Zhou, X.: DLAU: a scalable deep learning accelerator unit on FPGA. IEEE Trans. Comput.-Aided Des. Integr. Circuits Syst. 36(3), 513–517 (2017)
18.
Yu, Q., Wang, C., Ma, Xiang, L.X., Zhou, X.: A deep learning prediction process accelerator based FPGA. In: Proceedings of the Annual ACM Symposium on Theory of Computing, pp. 585–594 (2015)
19.
Zeng, H., Zhang, C., Prasanna, V.: Fast generation of high throughput customized deep learning accelerators on FPGAs. In: International Conference on Reconfigurable Computing and FPGAs, pp. 1–8 (2017)
20.
Zhang, C., Li, P., Sun, G., Guan, Y., Xiao, B., Cong, J.: Optimizing FPGA-based accelerator design for deep convolutional neural networks. In: ACM/SIGDA International Symposium on Field-Programmable Gate Arrays, pp. 161–170 (2015)
21.
Zhang, H., Wang, K.F., Wang, F.Y.: Advances and perspectives on applications of deep learning in visual object detection. Acta Autom. Sin. 43(8), 1289–1305 (2017)MATH
Metadaten
Titel
POWER: A Parallel-Optimization-Based Framework Towards Edge Intelligent Image Recognition and a Case Study
verfasst von
Yingyi Yang
Xiaoming Mai
Hao Wu
Ming Nie
Hui Wu
Copyright-Jahr
2018
Buch
Algorithms and Architectures for Parallel Processing

Print ISBN: 978-3-030-05050-4

Electronic ISBN: 978-3-030-05051-1

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-030-05051-1_35