Zobrazeno 1 - 9
of 9
pro vyhledávání: '"Nadalini, D."'
Autor:
Dréan, D., Bouilland, S., Nadalini, D., Baillet, A., Lozada, J., Wiertlewski, M., Grisoni, L., Casiez, G., Giraud, F., Flamant, J.-M.
Publikováno v:
In IRBM 2011 32(2):139-141
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Conference
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Conference
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Kniha
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Davide Nadalini, Manuele Rusci, Giuseppe Tagliavini, Leonardo Ravaglia, Luca Benini, Francesco Conti
Publikováno v:
Lecture Notes in Computer Science ISBN: 9783031150739
An open challenge in making Internet-of-Things sensor nodes "smart'' and self-adaptive is to enable on-chip Deep Neural Network (DNN) training on Ultra-Low-Power (ULP) microcontroller units (MCUs). To this aim, we present a framework, based on PULP-T
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::5c4e934716d5dcc64dbd615e6a8417a2
https://hdl.handle.net/11585/900686
https://hdl.handle.net/11585/900686
Autor:
Leonardo Ravaglia, Francesco Conti, Manuele Rusci, Alessandro Capotondi, Davide Nadalini, Luca Benini
In the last few years, research and development on Deep Learning models and techniques for ultra-low-power devices in a word, TinyML has mainly focused on a train-then-deploy assumption, with static models that cannot be adapted to newly collected da
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::1f551185826fd11c021615df0ee10d8e