A Flexible Approach to Hardware-Aware Neural Architecture Search Using Latent Space Bayesian Optimization
- 8 April 2026
- thesis
- Published by Agence Bibliographique de l'Enseignement Supérieur
Abstract
Une Approche Flexible de Recherche d'Architecture Neuronale Sous Contraintes Matérielles par Optimisation Bayésienne Dans l'Espace Latent: En raison de la demande croissante de logiciels de vision par ordinateur en temps réel pour les systèmes embarqués, il existe un besoin croissant pour des algorithmes efficaces et précis adaptés à des ressources de calcul limitées et à des environnements à faible consommation d'énergie.Le domaine de la vision par ordinateur a été révolutionné par l'avènement des réseaux de neurones: en automatisant l'ingénierie des caractéristiques (features), ils ont déplacé l'attention des experts humains vers l'ingénierie des modèles. Aujourd'hui, avec l'émergence de la Recherche d'Architecture Neuronale (Neural Architecture Search, NAS), le domaine assiste à un niveau d'automatisation encore supérieur, car même le processus d'ingénierie des modèles est en cours d'automatisatio,.Bien que les experts humains jouent toujours un rôle décisif dans la conception des réseaux neuronaux, la NAS a révélé des voies prometteuses pour découvrir automatiquement des architectures efficaces au-delà de l'intuition humaine. En permettant des performances de pointe sur diverses tâches, elle est devenue un outil incontournable de recherche et d'ingénierie.En plus d'augmenter la précision, réduire le coût calculatoire des réseaux neuronaux est un aspect central de l'apprentissage profond, même au-delà du calcul embarqué. En intégrant des métriques de complexité calculatoire dans la NAS, des réseaux performants et adaptés au matériel peuvent être conçus, dans un paradigme appelé Hardware-Aware NAS.Dans ce travail, nous proposons d'explorer et de développer de nouvelles méthodes de Hardware-Aware NAS spécifiquement adaptées aux besoins de la vision par ordinateur embarquée par réseaux de neurones convolutifs. Nous visons à relever les défis liés aux ressources de calcul limitées en formulant le problème comme un problème d'optimisation bayésienne sous contraintes, dans un contexte ou les réseaux neuronaux pourraient être quantifié.La recherche proposée sera évaluée sur divers ensembles de données de référence et comparée aux méthodes de pointe en termes de précision et de complexité computationnelle. Le résultat attendu de cette recherche est de fournir de nouvelles perspectives et techniques pour la conception automatique d'architectures de réseaux neuronaux efficaces pour la vision par ordinateur embarquée.Keywords
This publication has 101 references indexed in Scilit:
- EPE-NAS: Efficient Performance Estimation Without Training for Neural Architecture Search2021
- Single Path One-Shot Neural Architecture Search with Uniform Sampling2020
- Neural Architecture Search2019
- Disentangling Factors of Variation with Cycle-Consistent Variational Auto-encoders2018
- NetAdapt: Platform-Aware Neural Network Adaptation for Mobile Applications2018
- Progressive Neural Architecture Search2018
- U-Net: Convolutional Networks for Biomedical Image Segmentation2015
- How to Layer a Directed Acyclic GraphLecture Notes in Computer Science, 2002
- A New Approach to the BHEP Tests for Multivariate NormalityJournal of Multivariate Analysis, 1997
- Bayesian Learning for Neural Networks1996