Deep learning model optimization for faster inference using multi-task learning for embedded systems
Fragment książki (Materiały konferencyjne)
MNiSW
200
konferencja
| Status: | |
| Autorzy: | Maj Michał, Rymarczyk Tomasz, Cieplak Tomasz, Pliszczuk Damian |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Strony: | 892 - 893 |
| Web of Science® Times Cited: | 0 |
| Scopus® Cytowania: | 0 |
| Bazy: | Web of Science | Scopus |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | TAK |
| Nazwa konferencji: | 28th Annual International Conference on Mobile Computing and Networking |
| Skrócona nazwa konferencji: | ACM MobiCom '22 |
| URL serii konferencji: | LINK |
| Termin konferencji: | 17 października 2022 do 21 października 2022 |
| Miasto konferencji: | Sydney |
| Państwo konferencji: | AUSTRALIA |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 14 października 2022 |
| Abstrakty: | angielski |
| The research aims to develop and optimize a deep learning model for faster inference using multi-task learning for embedded systems. Experiments using face photos and sound in the form of a spectrogram were prepared to verify the model's performance in recognizing a person and their emotional state. Research has shown that in IoT devices, the inference is faster when a multi-tasking model is used compared to a system based on several models, each responsible for inferring one thing. |
