TCL: Time-Dependent Clustering Loss for Optimizing Post-Training Feature Map Quantization for Partitioned DNNs

This paper introduces an enhanced approach for deploying deep learning models on resource-constrained IoT devices by combining model partitioning, autoencoder-based compression, quantization with Time Dependent Clustering Loss (TCL) regularization, and lossless compression, to reduce communication o...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	IEEE access Ročník 13; s. 103640 - 103648
Hlavní autoři:	Berg, Oscar Artur Bernd, Saqib, Eiraj, Jantsch, Axel, Shallari, Irida, Krug, Silvia, Sanchez Leal, Isaac, O'Nils, Mattias
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Piscataway IEEE 2025 The Institute of Electrical and Electronics Engineers, Inc. (IEEE)
Témata:	Accuracy Adaptation models Autoencoders Clustering CNN Computational modeling Constraints Feature maps Internet of Things IoT Load modeling Machine learning Object detection Partitioning Quantization Quantization (signal) Real time Regularization Servers Time dependence Training
ISSN:	2169-3536, 2169-3536
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!