Mathieu Perrin

Mathieu Perrin

Auto-generated profile, based on publicly available information

Mathieu Perrin

ST Microelectronics, 12 Rue Jules Horowitz, Grenoble, 38019, France

Research Focus & Metrics

Academic Career Length

32Years (1995-Present)

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

Representative Publications

View All Publications
1 August 1995 in Physica B: Condensed Matter
Verified
Journal Article
Closed access
MCMonica Ceretti
Monica Ceretti
Roberto CoppolaRoberto Coppola
Roberto Coppola
ALA. Lodini
A. Lodini
MPM. Perrin
M. Perrin
FRF. Rustichelli
F. Rustichelli

26 July 2024 in IEEE Embedded Systems Letters
Verified
Journal Article
Closed access
MPMathieu Perrin
Mathieu Perrin
WGWilliam Guicquero
William Guicquero
BPBruno Paille
Bruno Paille
GSGilles Sicard
Gilles Sicard
Advances in Neural Architecture Search (NAS) now provide a crucial assistance to design Hardware-efficient neural networks. This paper presents NAS for resource-efficient, weight-quantized Convolutional Neural Networks (CNNs), under computational complexity constraints (model size and number of computations). Bayesian Optimization is used to efficiently search for traceable CNN architectures within a continuous embedding space. This embedding is the latent space of a neural architecture autoencoder, regularized with a Maximum Mean Discrepancy penalization and a convex latent predictor of parameters. On CIFAR-100, and without quantization, we obtain 75% test accuracy with less than 2.5M parameters and 600M operations. NAS experiments on STL-10 with 32, 8 and 4 bit weights outperform some high-end architectures while enabling drastic model size reduction (6Mb to 840kb). It demonstrates our method’s ability to discover lightweight and high performing models, while showcasing the importance of quantization to improve the tradeoff between accuracy and model size.

3 September 2024 in Neural Networks
Verified
Journal Article
Closed access
MPMathieu Perrin
Mathieu Perrin
WGWilliam Guicquero
William Guicquero
BPBruno Paille
Bruno Paille
SGSICARD Gilles
SICARD Gilles

8 April 2026
Verified
Thesis
Closed access
MPMathieu Perrin
Mathieu Perrin
Une Approche Flexible de Recherche d'Architecture Neuronale Sous Contraintes Matérielles par Optimisation Bayésienne Dans l'Espace Latent: En raison de la demande croissante de logiciels de vision par ordinateur en temps réel pour les systèmes embarqués, il existe un besoin croissant pour des algorithmes efficaces et précis adaptés à des ressources de calcul limitées et à des environnements à faible consommation d'énergie.Le domaine de la vision par ordinateur a été révolutionné par l'avènement des réseaux de neurones: en automatisant l'ingénierie des caractéristiques (features), ils ont déplacé l'attention des experts humains vers l'ingénierie des modèles. Aujourd'hui, avec l'émergence de la Recherche d'Architecture Neuronale (Neural Architecture Search, NAS), le domaine assiste à un niveau d'automatisation encore supérieur, car même le processus d'ingénierie des modèles est en cours d'automatisatio,.Bien que les experts humains jouent toujours un rôle décisif dans la conception des réseaux neuronaux, la NAS a révélé des voies prometteuses pour découvrir automatiquement des architectures efficaces au-delà de l'intuition humaine. En permettant des performances de pointe sur diverses tâches, elle est devenue un outil incontournable de recherche et d'ingénierie.En plus d'augmenter la précision, réduire le coût calculatoire des réseaux neuronaux est un aspect central de l'apprentissage profond, même au-delà du calcul embarqué. En intégrant des métriques de complexité calculatoire dans la NAS, des réseaux performants et adaptés au matériel peuvent être conçus, dans un paradigme appelé Hardware-Aware NAS.Dans ce travail, nous proposons d'explorer et de développer de nouvelles méthodes de Hardware-Aware NAS spécifiquement adaptées aux besoins de la vision par ordinateur embarquée par réseaux de neurones convolutifs. Nous visons à relever les défis liés aux ressources de calcul limitées en formulant le problème comme un problème d'optimisation bayésienne sous contraintes, dans un contexte ou les réseaux neuronaux pourraient être quantifié.La recherche proposée sera évaluée sur divers ensembles de données de référence et comparée aux méthodes de pointe en termes de précision et de complexité computationnelle. Le résultat attendu de cette recherche est de fournir de nouvelles perspectives et techniques pour la conception automatique d'architectures de réseaux neuronaux efficaces pour la vision par ordinateur embarquée.