Description
Date depot: 24 juillet 2019
Titre: Zip-CNN
Directeur de thèse:
Khalil HACHICHA (LIP6)
Directeur de thèse:
Andrea PINNA (LIP6)
Directeur de thèse:
Bertrand GRANADO (LIP6)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Intelligence artificielle
Resumé:
Les réseaux de neurones profonds ont démontré sans aucune ambiguïté depuis 2012, leur puissance pour la résolution de problème de classification, surpassant les méthodes couramment utilisées jusqu'alors. Mais cette puissance est au prix de l'utilisation de serveurs de calculs, manycores ou GP-GPU, puissants et énergivores afin de permettre une exécution en temps réel des réseaux de neurones. Si cet état de fait peut-être accepté dès lors que le réseau de neurones manipule un large éventail de données, ce qui est le cas par exemple des réseaux utilisé pour classifier les objets de la base ImageNet, il est plus que critiquable lorsque le réseau travaille avec des données limitées, comme dans le cadre de travaux de réalisation de dispositifs biomédicaux, par exemple pour la reconnaissances de polypes. Cette critique devient prépondérante si en plus nous désirons intégrer ce réseau de neurones au sein d'un système embarqués de type objets communicant, comme une capsule vidéo-endoscopique par exemple, où en plus de contraintes temporelles existent des contraintes de surface ou d'énergie. Il est nécessaire dans ce type de système communicant de prendre en considération des contraintes non-fonctionnelles comme par exemple l'espace mémoire nécessaire au déploiement du réseau de neurones, ou encore l'énergie fournie par la batterie du système. Il faut dans ce cas de réduire la taille du réseau de neurones pour l'adapter à ces contraintes
Les objectifs de la thèse proposée dans ce projet sont :
1. La définitions d'un benchmark applicatif d'applications embarquées utilisant de réseaux de neurones profonds, que ce soit des DNN ou des CNN, et permettant de valider la méthode proposée dans la thèse.
2. La définition d'une méthodologie permettant de créer un réseau de neurones profond pour résoudre un problème de classification sur un système embarqué. Cette méthodologie s'appuiera sur :
• Un modèle de la plate-forme embarqué qui prenne en compte les contraintes T, E et S avec T le temps d'exécution, E l'énergie disponible et S la surface utilisable en terme d'équivalent portes logiques.
• Un modèle de l'application envisagée en prenant en compte les performances de classification attendues
• Un modèle du réseau de neurones profond basé sur des fonctions analytiques
• Des méthodes de compression utilisables
Doctorant.e: Garbay Thomas