Objetivo
Deep Learning (DL) algorithms are an extremely promising instrument in artificial intelligence, achieving very high performance in numerous recognition, identification, and classification tasks. To foster their pervasive adoption in a vast scope of new applications and markets, a step forward is needed towards the implementation of the on-line classification task (called inference) on low-power embedded systems, enabling a shift to the edge computing paradigm. Nevertheless, when DL is moved at the edge, severe performance requirements must coexist with tight constraints in terms of power/energy consumption, posing the need for parallel and energy-efficient heterogeneous computing platforms. Unfortunately, programming for this kind of architectures requires advanced skills and significant effort, also considering that DL algorithms are designed to improve precision, without considering the limitations of the device that will execute the inference. Thus, the deployment of DL algorithms on heterogeneous architectures is often unaffordable for SMEs and midcaps without adequate support from software development tools.
The main goal of ALOHA is to facilitate implementation of DL on heterogeneous low-energy computing platforms. To this aim, the project will develop a software development tool flow, automating:
• algorithm design and analysis;
• porting of the inference tasks to heterogeneous embedded architectures, with optimized mapping and scheduling;
• implementation of middleware and primitives controlling the target platform, to optimize power and energy savings.
During the development of the ALOHA tool flow, several main features will be addressed, such as architecture-awareness (the features of the embedded architecture will be considered starting from the algorithm design), adaptivity, security, productivity, and extensibility.
ALOHA will be assessed over three different use-cases, involving surveillance, smart industry automation, and medical application domains
Ámbito científico
- natural sciencesphysical sciencesastronomyspace exploration
- natural sciencescomputer and information sciencesinternetinternet of things
- social sciencessociologyindustrial relationsautomation
- natural sciencescomputer and information sciencessoftwaresoftware development
- natural sciencescomputer and information sciencesartificial intelligencemachine learningdeep learning
Palabras clave
Programa(s)
Tema(s)
Convocatoria de propuestas
Consulte otros proyectos de esta convocatoriaConvocatoria de subcontratación
H2020-ICT-2017-1
Régimen de financiación
RIA - Research and Innovation actionCoordinador
20864 Agrate Brianza
Italia
Ver en el mapa
Participantes (15)
09124 Cagliari
Ver en el mapa
1012WX Amsterdam
Ver en el mapa
2311 EZ Leiden
Ver en el mapa
8092 Zuerich
Ver en el mapa
07100 Sassari
Ver en el mapa
1100 WIEN
Ver en el mapa
La participación finalizó
08940 Cornella De Llobregat Barcelona
Ver en el mapa
Entidad jurídica distinta de un subcontratista que está afiliada o vinculada jurídicamente con un participante. Dicha entidad lleva a cabo su trabajo en las condiciones establecidas en el acuerdo de subvención, proporciona bienes o presta servicios para la acción, pero no firma dicho acuerdo. El tercero acata las normas aplicables a su participante en virtud del acuerdo de subvención en lo que respecta a la subvencionalidad de los costes y el control de los gastos.
La participación finalizó
SL3 9LL Slough
Ver en el mapa
4232 HAGENBERG
Ver en el mapa
20152 Milano
Ver en el mapa
49527 Petach Tikva
Ver en el mapa
26500 Rio
Ver en el mapa
Organización definida por ella misma como pequeña y mediana empresa (pyme) en el momento de la firma del acuerdo de subvención.
09128 Cagliari
Ver en el mapa
Organización definida por ella misma como pequeña y mediana empresa (pyme) en el momento de la firma del acuerdo de subvención.
6706701 Tel Aviv
Ver en el mapa
Organización definida por ella misma como pequeña y mediana empresa (pyme) en el momento de la firma del acuerdo de subvención.
08002 Barcelona
Ver en el mapa