1. 作品名稱：【智慧生活】─ 電梯小幫手 2. 摘要說明 情境上是在一台電梯前面有一個監視器，在監視器上部屬人工智慧的物件偵測去偵測監視器畫面中有沒有坐輪椅的人，假如有坐輪椅的人準備要搭電梯，電梯就提早進行動作，幫助不方便行動的人減輕壓力。 3. 系統簡介 3.1 創作發想 創作的理念是想要幫助行動不便的人，讓他們的生活能夠更便利，使用了物件偵測的概念去偵測輪椅是否存在，預期系統完成後可以改善行動不便的人的生活，而且也可以減少可能需要有人在電梯協助的情況 3.2 硬體架構及軟體版本

Introduction 在傳統的 Deep neural networks (DNNs) 已經有著許多的突破，通過引入上百萬個參數來進行訓練以改善準確性，然而，為了得到正確的預測而需要進行大量的運算，會大大的影響到效能。 在模型分析 (Model analysis) 的研究上表示，大多數的DNN有著大量的冗餘，因為他們都被設計是用來得到最高的準確率，並未考慮到運算的時間。 另一方面，模型部署需要在準確度和裝置性能上權衡，因此時至今日發展出越來越多的方法來讓 Deep Learning (DL) 變得越來越有效率，讓模型得以部署到邊緣裝置 (Edge Device) 上。 壓縮的方法可以大致分為兩類，第一類方法為 Neural architecture search (NAS) 神經結構搜尋，其允許為特定數據集和用於模型推斷的特定硬體構建高效的神經網路，第二類方法旨在提高現有DL模型的性能，對其模型架構設計而沒有太大影響。 舉例來說，量化 (quantization)，其用於將模型從浮點數轉換到定點表示，並允許以有效的方式使用硬體來加速定點算法。