Deep-learning technieken hebben doorgaans veel rekenkracht en geheugen nodig. Dit proefschrift richt zich op het onderzoek naar efficiënte deep-learning technieken voor computervisie, met als doel het mogelijk te maken om geavanceerde AI-modellen in te zetten op mobiele en embedded apparaten met beperkte rekenkracht. Het bekijkt zowel het compact ontwerpen van neurale netwerkarchitecturen als het comprimeren van bestaande modellen. Specifieke onderzochte technieken zijn de selectie van efficiënte bouwstenen voor het ontwerpproces van neurale netwerken, het reduceren van de invoer pakketten in Vision Transformers, en het verminderen van het aantal ankers in objectdetectiemodellen. De voorgestelde methodes stellen ontwerpers in staat om een afweging te maken tussen nauwkeurigheid en efficiëntie, zodat de juiste balans kan worden gevonden voor de specifieke applicatie en het beschikbare hardwareplatform.