Project R-9432

Geoptimaliseerde Hardware Architecturen voor ultra-snelle responsie object detectie toepassingen (Onderzoek)

Reeds meer dan zestig jaar is artificiele intelligentie (AI) een belangrijk onderzoeksthema. Het is pas vanaf 2012 met het gebruik van diepe neurale netwerk (DNN) modellen, gebaseerd op convolutionele neurale netwerken (CCN's), en gebruikmakend van computationeel effectieve niet-lineaire activaties en de beschikbaarheid van hoogperformante multiprocessor computers dat start was die de huidige technologische golf van "diep leren" aangang zette. Huidige diep-leer algorithmen vereisen de evaluatie van diepe neurale netwerken met verscheidene tientallen tot honderden lagen van neurale netwerken. Deze vereisen de training en evaluatie van miljoenen leer-parameters. Hiervoor zijn hoog-performante multi-processoren en/of GP-GPUs nodig. Voor talrijke toepassingen, zoals o.a. de automobielsector, zelf-rijdende wagens, visuele sortering enz. zijn ultra-korte reactie- en respontietijden vereist, die de huidige processoren niet kunnen voldoen. Dit doctoraatsonderzoek focuseert zich speciaal op innovatieve architecturen voor directe hardware CNN gebaseerde objectdetectie toepassingen, met een nadruk op ultra-korte reactietijden

01 januari 2019 - 30 juni 2024