Zobrazeno 1 - 10
of 1 429
pro vyhledávání: '"Temporal sparsity"'
Autor:
Chen, Qinyu, Kim, Kwantae, Gao, Chang, Zhou, Sheng, Jang, Taekwang, Delbruck, Tobi, Liu, Shih-Chii
This paper introduces, to the best of the authors' knowledge, the first fine-grained temporal sparsity-aware keyword spotting (KWS) IC leveraging temporal similarities between neighboring feature vectors extracted from input frames and network hidden
Externí odkaz:
http://arxiv.org/abs/2405.03905
Publikováno v:
IEEE Transactions on Neural Networks and Learning Systems, 2022
Long Short-Term Memory (LSTM) recurrent networks are frequently used for tasks involving time-sequential data such as speech recognition. Unlike previous LSTM accelerators that either exploit spatial weight sparsity or temporal activation sparsity, t
Externí odkaz:
http://arxiv.org/abs/2108.02297
Activation sparsity improves compute efficiency and resource utilization in sparsity-aware neural network accelerators. As the predominant operation in DNNs is multiply-accumulate (MAC) of activations with weights to compute inner products, skipping
Externí odkaz:
http://arxiv.org/abs/2107.07305
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
In Digital Signal Processing January 2023 132
Autor:
Alvaro J. Riascos Villegas, Juan S. Moreno Pabon, Mateo Dulce Rubio, Sebastian Quintero, Johan Garcia Vargas, Hernan Garcia
Publikováno v:
IEEE Access, Vol 10, Pp 14359-14367 (2022)
Homicide prediction is a challenging task due to the spatio-temporal sparsity of these crime events. In this paper we report the results of using several approaches to mitigate this sparsity condition in machine learning models specially tailored tow
Externí odkaz:
https://doaj.org/article/f9ff0b0257ec41db962d8a4f7223ecc2
Publikováno v:
In Swarm and Evolutionary Computation July 2021 64
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Aggarwal, Priya, Gupta, Anubha
Publikováno v:
Comput. Biol. Med. 91 (2017) 255-266
A number of reconstruction methods have been proposed recently for accelerated functional Magnetic Resonance Imaging (fMRI) data collection. However, existing methods suffer with the challenge of greater artifacts at high acceleration factors. This p
Externí odkaz:
http://arxiv.org/abs/1707.05281
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.