Project Details
Description
Syfte och mål:
Artificiell intelligens (AI) och maskininlärning (ML) har snabbt övergått från akademisk forskning till praktiska tillämpningar. För drifttagning finns olika acceleratorer, både i molnet och i edge-enheter, men tillgängligheten varierar. Vårt projekt ämnar förbättra användbarheten av algoritmer och plattformar för datorseende genom att fokusera på tre aspekter: forskning om generiska, nedbrytbara algoritmer för datorseende, plattformsutveckling för att distribuera dessa algoritmer och adressera ett specifikt användningsfall inom automatiserad sportproduktion.
Förväntade effekter och resultat:
Projektet kommer möjliggöra, förenkla och automatisera nedbrytning och anpassning av algoritmer vilket kan leda till mer ekonomiskt lönsam och miljövänlig implementering av djupinlärningslösningar på olika typer av hårdvara. Vi siktar på en mångsidig plattform för olika industriella ändamål, men vi kommer visa detta genom att implementera en teknisk analys av video från lagsporter på hårdvara i kameror, moln och displayenheter.
Upplägg och genomförande:
Projektet följer i huvudsak tre spår med synergier:
(1) Bygga en plattform som dynamiskt kan partitionera och schemalägga algoritmer på för närvarande tillgängliga effektiva djupinlärningsprocessorer eller acceleratorer.
(2) Att ta fram generella möjliggörande teknologier och metoder för att enkelt kunna producera nedbrytbara algoritmer.
(3) Specialisera allmänna algoritmer till den specifika applikationen/scenen/... av intresse med hjälp av kända förutsättningar.
Artificiell intelligens (AI) och maskininlärning (ML) har snabbt övergått från akademisk forskning till praktiska tillämpningar. För drifttagning finns olika acceleratorer, både i molnet och i edge-enheter, men tillgängligheten varierar. Vårt projekt ämnar förbättra användbarheten av algoritmer och plattformar för datorseende genom att fokusera på tre aspekter: forskning om generiska, nedbrytbara algoritmer för datorseende, plattformsutveckling för att distribuera dessa algoritmer och adressera ett specifikt användningsfall inom automatiserad sportproduktion.
Förväntade effekter och resultat:
Projektet kommer möjliggöra, förenkla och automatisera nedbrytning och anpassning av algoritmer vilket kan leda till mer ekonomiskt lönsam och miljövänlig implementering av djupinlärningslösningar på olika typer av hårdvara. Vi siktar på en mångsidig plattform för olika industriella ändamål, men vi kommer visa detta genom att implementera en teknisk analys av video från lagsporter på hårdvara i kameror, moln och displayenheter.
Upplägg och genomförande:
Projektet följer i huvudsak tre spår med synergier:
(1) Bygga en plattform som dynamiskt kan partitionera och schemalägga algoritmer på för närvarande tillgängliga effektiva djupinlärningsprocessorer eller acceleratorer.
(2) Att ta fram generella möjliggörande teknologier och metoder för att enkelt kunna producera nedbrytbara algoritmer.
(3) Specialisera allmänna algoritmer till den specifika applikationen/scenen/... av intresse med hjälp av kända förutsättningar.
Status | Active |
---|---|
Effective start/end date | 2023/11/01 → 2026/10/11 |
Collaborative partners
- Lund University (lead)
- FixedIT Consulting AB
Funding
- Swedish Government Agency for Innovation Systems (Vinnova)