深度神经网络(DNNs)可以理解为有很多隐藏层的神经网络,又被称为深度前馈网络(DFN)，其已经证明有能力在一系列问题上提供与人类相媲美甚至是优于人类的性能。随着更加高性能的计算节点集群以更低的成本或更小的形式出现，同时我们可以使用更多的数据来培训具有更多图层面板和神经元的深度神经网络。这将会再推理阶段转化为更加准确及更加优越的性能。但是，随着网络规模的急剧扩大，某些应用程序的网络规模已经超过了千兆级别。对于那些可以通过网络连接轻松访问强大计算资源的应用程序，这样的大型网络也许不是一个巨大的挑战。然而，很多安全性、保密性或延迟等关键因素仍需要纳入考虑范围(如自动驾驶、无人机跟踪等)，推理过程必须在嵌入式硬件平台上进行完成，这些平台受到严格的速度、面积和功率限制。
BG PLUS
课题名称
深度学习与计算机视觉下的图像分割与自然语言处理
本课题的重点是学习如何在资源受限的嵌入式系统上部署各类机器学习框架和算法。同时对神经网络压缩、深度学习、神经网络的可靠性和安全性等相关内容进行深入探究。
项目亮点
01名校教授指导
Prof. YY. S
● 圣母大学计算机科学与工程学院终身教授
● 担任圣母大学可持续发展实验室主任 (SCL)
● 担任美国国家科学基金会（NSF）设立的企业/高校合作研究中心项目主任
● 荣获IBM创新成就奖
● 荣获日本学术振兴会奖
● 荣获美国电气和电子工程师协会（IEEE）杰出教育家奖
02项目产出丰富
●教授签字课程证明
●教授评价表
● 项目推荐信
● 教授私人推荐信（教授EDU邮箱网推）
● 出席国际学术会议
● 国际EI/CPCI会刊论文辅导及发表
项目安排
140课时 包含先导课+学术科研+论文写作+福利课+成果服务
● 深度神经网络基础导论
● 硬件感知学习介绍
● 神经网络压缩综述
● 嵌入式中的人工神经网络的安全性
● 课题评估、问答环节及深度学习领域的职业规划
● 最终成果展示、课题答疑
想了解更多科研项目，欢迎咨询BG学术顾问
标签： 监控无图像
