Fabre William

Mr. Fabre William

orcid

Research Focus & Metrics

Academic Career Length

4Years (2023-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
22 August 2024 in Sensors
Verified
Journal Article
Open access
PDF file
FWFabre William
Fabre William
KHKarim Haroun
Karim Haroun
VLVincent Lorrain
Vincent Lorrain
MLMaria Lepecq
Maria Lepecq
SGSICARD Gilles
SICARD Gilles
In modern cyber-physical systems, the integration of AI into vision pipelines is now a standard practice for applications ranging from autonomous vehicles to mobile devices. Traditional AI integration often relies on cloud-based processing, which faces challenges such as data access bottlenecks, increased latency, and high power consumption. This article reviews embedded AI vision systems, examining the diverse landscape of near-sensor and in-sensor processing architectures that incorporate convolutional neural networks. We begin with a comprehensive analysis of the critical characteristics and metrics that define the performance of AI-integrated vision systems. These include sensor resolution, frame rate, data bandwidth, computational throughput, latency, power efficiency, and overall system scalability. Understanding these metrics provides a foundation for evaluating how different embedded processing architectures impact the entire vision pipeline, from image capture to AI inference. Our analysis delves into near-sensor systems that leverage dedicated hardware accelerators and commercially available components to efficiently process data close to their source, minimizing data transfer overhead and latency. These systems offer a balance between flexibility and performance, allowing for real-time processing in constrained environments. In addition, we explore in-sensor processing solutions that integrate computational capabilities directly into the sensor. This approach addresses the rigorous demand constraints of embedded applications by significantly reducing data movement and power consumption while also enabling in-sensor feature extraction, pre-processing, and CNN inference. By comparing these approaches, we identify trade-offs related to flexibility, power consumption, and computational performance. Ultimately, this article provides insights into the evolving landscape of embedded AI vision systems and suggests new research directions for the development of next-generation machine vision systems.

8 February 2023 in Sensors
Verified
Journal Article
Open access
PDF file
MLMaria Lepecq
Maria Lepecq
TDThomas Dalgaty
Thomas Dalgaty
FWFabre William
Fabre William
SCStéphane Chevobbe
Stéphane Chevobbe
Three-dimensional-integrated focal-plane array image processor chips offer new opportunities to implement highly parallelised computer vision algorithms directly inside sensors. Neural networks in particular can perform highly complex machine vision tasks, and therefore their efficient implementation in such imagers are of significant interest. However, studies with existing pixel-processor array chips have focused on the implementation of a subset of neural network components—notably convolutional kernels—on pixel processor arrays. In this work, we implement a continuous end-to-end pipeline for a convolutional neural network from the digitisation of incoming photons to the output prediction vector on a macropixel processor array chip (where a single processor acts on group of pixels). Our implementation performs inference at a rate between 265 and 309 frames per second, directly inside of the sensor, by exploiting the different levels of parallelism available.

30 June 2026
Verified
Thesis
Closed access
FWFabre William
Fabre William
Cette thèse aborde l'estimation efficace des métriques de performance, puissance et surface (PPA) pour les accélérateurs de réseaux de neurones convolutifs (CNN) basés sur Network-on-Chip dans les applications de vision embarquée.Le déploiement de l'intelligence artificielle dans les systèmes embarqués a révolutionné la perception machine, permettant des applications de la navigation autonome à l'imagerie médicale. Les CNN atteignent une précision sans précédent en classification d'images, détection d'objets et segmentation sémantique. Cependant, les CNN modernes nécessitent des millions d'opérations de multiplication-accumulation par inférence, dépassant les capacités des plateformes contraintes opérant sous des budgets énergétiques stricts de quelques milliwatts à quelques watts.Le traitement dans le cloud s'avère inadéquat pour la vision embarquée temps réel, introduisant une latence inacceptable, des limitations de bande passante et des préoccupations de confidentialité. Cela nécessite une inférence locale près du capteur d'image. Le défi consiste à réconcilier la complexité computationnelle des CNN avec des contraintes énergétiques sévères tout en accommodant la diversité architecturale, des convolutions standard aux convolutions séparables en profondeur dans les architectures efficaces comme MobileNet.L'industrie des semi-conducteurs a répondu avec des architectures de flux de données spécialisées basées sur des topologies Network-on-Chip, organisant les éléments de traitement en matrices régulières. L'espace de conception résultant englobe de nombreux paramètres architecturaux et configurations de mapping, chacune produisant des caractéristiques PPA distinctes.Naviguer dans cet espace nécessite une estimation PPA précise. Le défi provient de deux problèmes. Premièrement, la modélisation des mappings CNN-vers-matériel : les choix de mapping induisent des variations d'un ordre de grandeur dans la consommation énergétique. Deuxièmement, prédire les métriques PPA : les approches existantes s'étendent des modèles analytiques rapides aux simulations cycle-précises. Les modèles analytiques fournissent une évaluation rapide mais sur-simplifient les phénomènes d'implémentation comme les délais de routage. Les simulations cycle-précises capturent ces effets mais nécessitent des heures par configuration, limitant l'exploration. Ce compromis s'avère aigu pour les implémentations FPGA où les effets de synthèse introduisent une variabilité.Cette thèse développe PANDA, un framework d'estimation PPA basé sur l'apprentissage adressant ce compromis précision-vitesse. Le framework cible les architectures basées sur NoC développées par le CEA-LECA. Un modèle de mapping formel permet la spécification via des vecteurs de dimensions, générant des rapports de comptage quantifiant les opérations MAC, accumulations et accès mémoire, validés contre des simulations RTL.Le framework incorpore une génération automatisée de données comprenant la génération de testbench RTL, l'orchestration de simulations et l'automatisation de synthèse Vivado. La méthodologie d'apprentissage machine inclut l'ingénierie de caractéristiques et des stratégies d'entraînement adaptées aux types de couches.La validation sur MobileNet v1 démontre une forte corrélation de rang pour la prédiction de latence contre les simulations RTL. L'infrastructure a été établie pour l'estimation de puissance, avec des expériences préliminaires démontrant l'applicabilité aux métriques énergétiques. Cette approche permet une évaluation rapide, comblant l'écart entre l'abstraction architecturale et la précision d'implémentation.