Browsing by Issue Date, starting with "2019-03-05"
Now showing 1 - 4 of 4
Results Per Page
Sort Options
- Otimização de redes neuronais convolucionais em FPGA com redução do tamanho dos operandosPublication . Gonçalves, Ana Teresa Alberto; Véstias, Mário PereiraAs Redes Neuronais Convolucionais (conhecidas como CNN - Convolutional Neural Networks) são projetadas tendo como inspiração o funcionamento do cérebro e têm obtido grandes avanços nos últimos anos estando a ser amplamente utilizadas na visão computacional, mais especificamente na classificação de imagens. Uma CNN com o propósito de classificação de imagens, após estar implementada e treinada, retorna para cada uma das classes a ser testada a probabilidade dessa imagem pertencer a essa classe. As CNN são computacionalmente bastante exigentes e requerem uma elevada largura de banda de acesso à memória onde são guardados os pesos da rede, sendo geralmente executadas em sistemas de elevado desempenho. Contudo, a execução de CNN em sistemas embebidos próximos do sistema de recolha de dados evita a comunicação dos dados e o seu processamento em tempo real. Assim, é importante o estudo e desenvolvimento de métodos que permitam a execução de CNN em sistemas embebidos com recursos reduzidos com tempos de execução aceitáveis. A FPGA (Field Programmable Gate Array) é um dispositivo cujo hardware pode ser reprogramado de acordo com as necessidades específicas de cada projeto, permitindo uma implementação bastante eficiente de sistemas embebidos. Quando utilizada na implementação de CNN, a sua arquitetura pode ser configurada de forma dedicada conforme as características da CNN a implementar. As CNN são bastante exigentes em termos computacionais e de memória, o que dificulta a sua implementação em FPGA de baixo custo com poucos recursos computacionais e de memória. Para reduzir essas necessidades, pode reduzir-se o tamanho dos operandos através de métodos de quantificação utilizando, por exemplo, vírgula fixa dinâmica e reduzindo o número de bits para representar os dados. O objetivo desta dissertação é investigar sobre o impacto que a redução do tamanho dos operandos da CNN tem sobre a sua precisão, sobre a ocupação de recursos da FPGA e sobre o desempenho do sistema. Com a utilização deste método verificámos que é possível implementar redes CNN de grande dimensão em FPGA de baixa dimensão (e.g. a ZYNQ7020 considerada neste trabalho) com um desempenho que pode atingir os 600 GOPs (Giga Operations per second).
- Characterization of gastric cells infection by diverse Helicobacter pylori strains through Fourier-transform infrared spectroscopyPublication . Marques, Vanda; Ribeiro Da Cunha, Bernardo; Couto, Andreia; Sampaio, Pedro; Fonseca, Luís P. P.; Aleixo, Sandra; Calado, CecíliaThe infection of Helicobacter pylori, covering 50% of the world-population, leads to diverse gastric diseases as ulcers and cancer along the life-time of the human host. To promote the discovery of biomarkers of bacterial infection, in the present work, Fourier-transform infrared spectra were acquired from adenocarcinoma gastric cells, incubated with H. pylori strains presenting different genotypes concerning the virulent factors cytotoxin associated gene A and vacuolating cytotoxin A. Defined absorbance ratios were evaluated by diverse methods of statistical inference, according to the fulfillment of the tests assumptions. It was possible to define from the gastric cells, diverse absorbance ratios enabling to discriminate: i) The infection; ii) the bacteria genotype; and iii) the gastric disease of the patients from which the bacteria were isolated. These biomarkers could fasten the knowledge of the complex infection process while promoting a platform for a new diagnostic method, rapid but also specific and sensitive towards the diagnosis of both infection and bacterial virulence.
- Exploring the meaning of social innovation: a categorisation scheme based on the level of policy intervention, profit orientation and geographical scalePublication . Baptista, Nuno; Pereira, João; Moreira, Antonio; Matos, NelsonThere has been a growing interest in academia regarding the term ‘social innovation’, including in disciplines such as sociology, administration, history, management, psychology, and economics. The literature highlights the lack of scientific clarity in the use of the term, and some scholars argue that the term is no more than a ‘buzzword’ or a ‘fad’. This article focusses on the analysis of the conceptualizations of social innovation, contrasting sociological and economical approaches, and adopts an integrative approach to propose a categorization scheme of social innovation projects based on three distinct variables, namely the level of policy support, the profit orientation and the geographical scale. We argue that government support and the scalability of social innovations should be carefully pondered depending on the characteristics of the social innovation initiatives. We conclude that policy support should privilege social innovation initiatives that, while having the potential to deliver social good, are constrained by market failures. In addition, we also argue in favour of policy support for small bottom-up initiatives that have a profit-logic but are not sufficiently robust to survive on their own due to the liabilities of smallness and newness. Finally, we advise caution in public policies supporting scale-up strategies and highlighted the inherent challenges.
- Otimização de redes neuronais convolucionais em FPGA utilizando técnicas de compressãoPublication . Peres, Tiago Alexandre Mateus; Véstias, Mário PereiraUma Rede Neuronal Convolucional (Convolutional Neural Network - CNN) é uma classe de redes profundas aplicada ao processamento e classificação de imagens. Uma CNN con-siste em várias camadas de nós interligados entre si. A sua capacidade de classificação ad-vém do treino das suas ligações ou pesos, obtidos por um processamento de adaptação ou aprendizagem através de um conjunto de padrões de treino. Após treinadas, conseguem classificar imagens através de um processo de inferência. Existem atualmente vários modelos ou redes CNN de classificação de imagens, com pro-babilidades de erro bastante baixas, mas que são computacionalmente muito exigentes e requerem bastante memória para armazenar os pesos da rede. Como tal, são geralmente executadas em plataformas de elevado desempenho. No entanto, a utilização deste tipo de algoritmos em sistemas embebidos tem despertado bastante interesse, pois permitirá a execução de algoritmos junto dos sistemas de aquisição de dados, permitindo decisões inteligentes junto dos sensores e evita a comunicação dos dados para um servidor central de execução de CNN. Esta dissertação teve como objetivo a redução da complexidade das redes CNN, através de métodos de corte dos pesos e de compressão de dados, de modo a permitir a execução das CNN em FPGA de baixo custo com aplicação em sistemas embebidos sem comprometer a precisão da rede. Os métodos foram aplicados à arquitetura LiteCNN tendo-se conseguido melhorar os tempos de execução em cerca de 85% para redes com elevada quantidade de pesos nas camadas totalmente conectadas.