( en | de | ru )

 

Disambiguierung von "Vemparala, Manoj Rohit"

Autor der Publikation

KopierenLöschenDiese Publikation zur Ablage hinzufügen
Hardware-Aware Mixed-Precision Neural Networks using In-Train Quantization.

, , , , , , , , und . BMVC, Seite 60. BMVA Press, (2021)

Bitte wählen Sie eine Person um die Publikation zuzuordnen

Um zwischen Personen mit demselben Namen zu unterscheiden, wird der akademische Grad und der Titel einer wichtigen Publikation angezeigt. Zudem lassen sich über den Button neben dem Namen einige der Person bereits zugeordnete Publikationen anzeigen.

Rohit Sinha

Slavica Manojlovic

Rohit Gupta

Rohit Ghai

Manoj Kakkassery

 

Weitere Publikationen von Autoren mit dem selben Namen

Hardware Aware Robust Compression of Neural Networks.. Technical University of Munich, Germany, (2023)Adversarial Robust Model Compression Using In-Train Pruning., , , , , , , , , und 2 andere Autor(en). CVPR Workshops, Seite 66-75. Computer Vision Foundation / IEEE, (2021)Mind the Scaling Factors: Resilience Analysis of Quantized Adversarially Robust CNNs., , , , , , , und . DATE, Seite 706-711. IEEE, (2022)ALF: Autoencoder-based Low-rank Filter-sharing for Efficient Convolutional Neural Networks., , , , , , und . DAC, Seite 1-6. IEEE, (2020)AnaCoNGA: Analytical HW-CNN Co-Design Using Nested Genetic Algorithms., , , , , , , , , und 3 andere Autor(en). DATE, Seite 238-243. IEEE, (2022)BreakingBED: Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks., , , , , , , , , und 1 andere Autor(en). IntelliSys (1), Volume 294 von Lecture Notes in Networks and Systems, Seite 148-167. Springer, (2021)Hardware-Aware Mixed-Precision Neural Networks using In-Train Quantization., , , , , , , , und . BMVC, Seite 60. BMVA Press, (2021)An Efficient FPGA Accelerator Design for Optimized CNNs Using OpenCL., , und . ARCS, Volume 11479 von Lecture Notes in Computer Science, Seite 236-249. Springer, (2019)Investigating Binary Neural Networks for Traffic Sign Detection and Recognition., , , , , , , und . IV, Seite 1400-1405. IEEE, (2021)HW-FlowQ: A Multi-Abstraction Level HW-CNN Co-design Quantization Methodology., , , , , , , , , und . ACM Trans. Embed. Comput. Syst., 20 (5s): 66:1-66:25 (2021)