Resurseffektiv maskininlärning för förarsäkerhet
| Diarienummer | |
| Koordinator | RISE Research Institutes of Sweden AB |
| Bidrag från Vinnova | 500 000 kronor |
| Projektets löptid | april 2022 - december 2022 |
| Status | Avslutat |
| Utlysning | Elektronik, mjukvara och kommunikation - FFI |
| Ansökningsomgång | Elektronik, mjukvara och kommunikation - FFI - december 2021 |
| Slutrapport | 2021-05046eng.pdf(pdf, 265 kB) (In English) |
Viktiga resultat som projektet gav
Denna förstudie syftar till att minska trafikolyckor genom att möjliggöra energieffektiva och billiga system för förarövervakning baserade på maskininlärning.
Långsiktiga effekter som förväntas
Vi har visat att faltningsoperationer, som utgör 90-95% av beräkningskostnaden i den typ av maskininlärningsmodeller som kan användas i förarövervakningssystem, kan göras väsentligt mycket effektivare med hjälp av beskärning på den typ av beräkningsplattformar som används inom fordonsindustrin. Detta kan utnyttjas för att utöka användningen av djupa faltningsnät för såväl förarövervakning som andra funktioner som kräver bildigenkänning.
Upplägg och genomförande
Vi arbetade experimentellt genom att studera faltningsoperationer från ett populärt bildbehandlingsnät, resnet50. Vi utvecklade glesa algoritmer för faltning och anpassade dem till den typ av processorer som används i fordonsindustrin och vi jämförde prestanda med likaledes anpassade icke glesa operationer.