English(EN) Efficient Network Inference via Hardware-Aware Architecture Search, Model Pruning & Quantization

新方法优化深度学习在嵌入式GNSS干扰监测中的应用

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-22 11:54

研究人员开发了一种在资源受限的嵌入式系统上实现高效深度学习推理的方法，特别适用于全球导航卫星系统（GNSS）干扰监测。该方法结合了迭代结构化剪枝、训练后静态量化和硬件感知神经网络架构搜索（NAS），以优化模型的尺寸、计算复杂度和内存使用。实验表明，这种组合策略从MCUNet基线开始，在实现模型在iMXRT1062 MCU、Raspberry Pi Zero 2W和Raspberry Pi 5等嵌入式平台上实际部署的同时，有效地保持了任务性能。 AI

影响在低功耗设备上实现实时AI驱动的干扰监测，有望提高GNSS的可靠性。

排序理由详细介绍一种用于优化嵌入式系统深度学习模型的新颖方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Felix Ott · 2026-06-22 11:54

Efficient Network Inference via Hardware-Aware Architecture Search, Model Pruning & Quantization

Embedded global navigation satellite system (GNSS) interference monitoring requires fast and memory-efficient inference to process large volumes of raw in-phase and quadrature (IQ) samples in real time. At the same time, increasingly expressive deep neural networks (DNNs) are nee…

报道来源 [1]

Efficient Network Inference via Hardware-Aware Architecture Search, Model Pruning & Quantization

相关实体

相关话题