CANN - Optimisation Avancée des Réseaux Neuronaux Convolutifs (RNC)
Optimisation Avancée des Réseaux Neuronaux Convolutifs
Les techniques de « pruning » simplifient les Réseaux Neuronaux Convolutifs (RNC) afin de réduire coûts et complexité. Toutefois, ces techniques affectent leur fiabilité et précision, cruciales dans les applications critiques. Issu de recherches en intelligence artificielle menées à l'Institut des Nanotechnologies de Lyon (INL, UMR CNRS 5270) et au Dipartimento di Automatica e Informatica (DAUIN) du Politecnico di Torino, le procédé CANN mesure la criticité de chaque poids synaptique en agrégeant les contributions de toutes les synapses affiliées, permettant une stratégie d'élagage plus efficace et ciblée, tout en prenant en compte les aspects dynamiques du poids synaptique.
PULSALYS RECHERCHE
PULSALYS recherche des partenaires en mesure de développer la technologie.
RÉFÉRENCE : CANN [D03137]
MOT CLES : Réseaux Neuronaux Convolutifs / Fiabilité / CNN / Pruning / Applications critiques
TRL : TRL 3
ZOOM SUR L'OFFRE DE TECHNOLOGIE
|
Applications : |
Marchés cibles : |
|---|---|
|
Toutes les applications où les RNC sont utilisés, notamment la reconnaissance d'images et de vidéos, la classification d'images, la segmentation d'images, la détection d'objets, la traduction automatique, et bien d'autres. |
CANN est un procédé qui s'adresse à tous les marchés où la performance et la fiabilité des RNC sont cruciales, garantissant une stratégie d'élagage plus efficace et ciblée. |
| Avantages compétitifs : |
Propriété intellectuelle : |
|
Grace à la protection d'un très faible pourcentage de poids, le procédé CANN permet d'augmenter:
|
|
