Publication

Adaptation of MobileNetV2 for Face Detection on Ultra-Low Power Platform

Jean-Philippe Thiran
2022
Conference Papers

Résumé

Designing Deep Neural Networks (DNNs) running on edge hardware remains a challenge. Standard designs have been adopted by the community to facilitate the deployment of Neural Network models. However, not much emphasis is put on adapting the network topology to fit hardware constraints. In this paper, we adapt one of the most widely used architectures for mobile hardware platforms, MobileNetV2, and study the impact of changing its topology and applying post-training quantization. We discuss the impact of the adaptations and the deployment of the model on an embedded hardware platform for face detection.

Source officielle

https://infoscience.epfl.ch/entities/publication/3a34987b-6f9f-45a7-b2fa-cffa50ce3642

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Adaptation of MobileNetV2 for Face Detection on Ultra-Low Power Platform

Chattez avec Graph Search

Computational design of complex protein folds and soluble analogs of membrane proteins

Overcoming Distribution Shifts and Imbalance Challenges in Representation Learning for Deep Regression Models

Exploiting Representation Similarities in Self-Supervised Learning for Vision Tasks