AutoDeep: Automatisk design av säkra, högpresterande och kompakta Deep Learning-modeller för autonoma fordon
I detta projekt utvecklar vi ett ramverk för att uppnå prestanda, kompakthet, och robusthet gällande design och anpassning av DNN (Deep Neural Networks) med avsikt att upptäcka och förutse beteende, som två säkerhetkritiska applikationer på vägen och tillverkning av självgående fordon.
Avslutat
Projektets webbplats
Start
2020-01-01
Avslut
2024-01-02
Samarbetspartners
Projektansvarig vid MDU
Deep Neural Networks (DNN) blir alltmer använt för eget beslutfattande när det gäller autonoma fordon. I detta projekt utvecklar vi ett ramverk med benämning AutoDeep för att uppnå prestanda, kompakthet, och robusthet gällande design och anpassning av DNN med avsikt att upptäcka och förutse beteende, som två säkerhetkritiska applikationer på vägen och tillverkning av självgående fordom. Som vi förstår det, detta skulle bli det första nätverket att designa DNNs som inkluderar prestanda, kompakthet men även robusthet.
Projektmål
Att tillhandahålla ny teknik och verktyg för att producera robusta, kompakta och exakta djupinlärningsmodeller för säkra kritiska applikationer i autonoma fordon.
