| Autor: |
Nicolás Urbano Pintos, Mario Lavorato, Héctor Lacomi |
| Rok vydání: |
2022 |
| Předmět: |
|
| Zdroj: |
AJEA. |
| ISSN: |
2683-8818 |
| DOI: |
10.33414/ajea.1132.2022 |
| Popis: |
En este trabajo se propone implementar una red neuronal binarizada (BNN – Binarized Neural Network) de convolución para clasificar objetos a partir de imágenes RGB. Las BNN reducen la cantidad de recursos computacionales y de memoria, y permiten inferirlas en sistemas embebidos como las matrices de compuertas lógica programables en campo (FPGA – Field Programmable Gate Array) logrando respuestas en tiempo real. El modelo se basa en la red VGG16 (Visual Geometry Group) y se entrena con el conjunto de datos CIFAR10. La red se cuantiza de forma binaria con la técnica de cuantización consciente del entrenamiento (QAT – Quantization Aware Training). Se logró una precisión cercana al 88% con el conjunto de evacuación de CIFAR10. |
| Databáze: |
OpenAIRE |
| Externí odkaz: |
|
