論文の概要: Enabling Incremental Knowledge Transfer for Object Detection at the Edge

• arxiv url: http://arxiv.org/abs/2004.05746v2
• Date: Sun, 7 Jun 2020 13:31:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-14 00:01:41.285965
• Title: Enabling Incremental Knowledge Transfer for Object Detection at the Edge
• Title（参考訳）: エッジにおける物体検出のためのインクリメンタルな知識伝達
• Authors: Mohammad Farhadi Bajestani, Mehdi Ghasemi, Sarma Vrudhula and Yezhou Yang
• Abstract要約: ディープニューラルネットワーク(DNN)を用いたオブジェクト検出には、膨大な量の計算が必要になる。 浅いニューラルネットワーク(SHNN)は、観察環境内のオブジェクトを検出するために、エンドユーザデバイスにデプロイされる。 SHNNの知識は、LANまたはWi-Fiを介してユーザ端末に接続された強力なエッジデバイスから得ることができる。
• 参考スコア（独自算出の注目度）: 25.22732861751805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detection using deep neural networks (DNNs) involves a huge amount of computation which impedes its implementation on resource/energy-limited user-end devices. The reason for the success of DNNs is due to having knowledge over all different domains of observed environments. However, we need a limited knowledge of the observed environment at inference time which can be learned using a shallow neural network (SHNN). In this paper, a system-level design is proposed to improve the energy consumption of object detection on the user-end device. An SHNN is deployed on the user-end device to detect objects in the observing environment. Also, a knowledge transfer mechanism is implemented to update the SHNN model using the DNN knowledge when there is a change in the object domain. DNN knowledge can be obtained from a powerful edge device connected to the user-end device through LAN or Wi-Fi. Experiments demonstrate that the energy consumption of the user-end device and the inference time can be improved by 78% and 71% compared with running the deep model on the user-end device.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)を用いたオブジェクト検出は、リソース/エネルギー制限されたユーザエンドデバイスの実装を妨げる膨大な計算を伴う。 DNNの成功の理由は、観測された環境のあらゆる異なる領域について知識を持つためである。 しかし、我々は、浅いニューラルネットワーク(SHNN)を用いて学習できる推論時に観測された環境について限られた知識が必要である。 本稿では,ユーザエンドデバイスにおける物体検出のエネルギー消費を改善するためのシステムレベル設計を提案する。 SHNNは、観察環境内のオブジェクトを検出するために、ユーザエンドデバイスにデプロイされる。 また、オブジェクトドメインに変更がある場合、DNN知識を使用してSHNNモデルを更新するために、知識伝達機構を実装した。 DNNの知識は、LANまたはWi-Fiを介してユーザ端末に接続された強力なエッジデバイスから得ることができる。 実験により、ユーザエンドデバイス上でのディープモデルの実行と比較して、ユーザエンドデバイスのエネルギー消費と推論時間を78%と71%改善できることが示されている。

関連論文リスト

• Accelerating Object Detection with YOLOv4 for Real-Time Applications [0.276240219662896]
  畳み込みニューラルネットワーク(CNN)は、ほとんどの問題に対して画像コンテンツとコンピュータビジョンアプローチを認識する強力なツールとして登場した。 本稿では、畳み込みニューラルネットワーク(CNN)のようなディープラーニングとオブジェクト検出フレームワークの簡単な紹介を紹介する。
  論文  参考訳（メタデータ） (2024-10-17T17:44:57Z)
• Spiking CenterNet: A Distillation-boosted Spiking Neural Network for Object Detection [15.043707655842592]
  スパイキングニューラルネットワーク(SNN)はこの課題に対処するための有望なアプローチである。 本稿では,イベントデータに対するオブジェクト検出のためのSpking CenterNetを提案する。 我々の研究は、スパイク物体検出の分野で知識蒸留を利用する最初のアプローチである。
  論文  参考訳（メタデータ） (2024-02-02T10:23:03Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• Quantum Transfer Learning for Wi-Fi Sensing [19.06876644658677]
  我々は、Wi-Fi設定や環境が時間とともに変化するとき、人間の監視タスクにおけるドメインシフトを軽減するための転送学習について検討する。 概念実証研究として、量子ニューラルネットワーク(QNN)と古典的深層ニューラルネットワーク(DNN)を将来の量子可読社会として検討する。
  論文  参考訳（メタデータ） (2022-05-17T19:16:21Z)
• Object Detection with Spiking Neural Networks on Automotive Event Data [0.0]
  我々は、イベントカメラから直接スパイキングニューラルネットワーク(SNN)を訓練し、高速で効率的な自動車組込みアプリケーションを設計することを提案する。 本稿では,2つの自動車イベントデータセットの実験を行い,スパイクニューラルネットワークのための最先端の分類結果を確立した。
  論文  参考訳（メタデータ） (2022-05-09T14:39:47Z)
• Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
  イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。 イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。 本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-06T23:45:58Z)
• CondenseNeXt: An Ultra-Efficient Deep Neural Network for Embedded Systems [0.0]
  畳み込みニューラルネットワーク(英: Convolutional Neural Network, CNN)は、画像センサが捉えた視覚画像の分析に広く用いられているディープニューラルネットワーク(DNN)のクラスである。 本稿では,組込みシステム上でのリアルタイム推論のために,既存のCNNアーキテクチャの性能を改善するために,深層畳み込みニューラルネットワークアーキテクチャの新しい変種を提案する。
  論文  参考訳（メタデータ） (2021-12-01T18:20:52Z)
• Achieving Real-Time LiDAR 3D Object Detection on a Mobile Device [53.323878851563414]
  本稿では,強化学習技術を用いたネットワーク拡張とpruning検索を組み込んだコンパイラ対応統一フレームワークを提案する。 具体的には,リカレントニューラルネットワーク(RNN)を用いて,ネットワークの強化とプルーニングの両面での統一的なスキームを自動で提供する。 提案手法は,モバイルデバイス上でのリアルタイム3次元物体検出を実現する。
  論文  参考訳（メタデータ） (2020-12-26T19:41:15Z)
• Energy Drain of the Object Detection Processing Pipeline for Mobile Devices: Analysis and Implications [77.00418462388525]
  本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。 我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
  論文  参考訳（メタデータ） (2020-11-26T00:32:07Z)
• Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
  ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。 コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
  論文  参考訳（メタデータ） (2020-06-30T14:56:05Z)
• Temporal Pulses Driven Spiking Neural Network for Fast Object Recognition in Autonomous Driving [65.36115045035903]
  スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。 各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
  論文  参考訳（メタデータ） (2020-01-24T22:58:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。