論文の概要: Energy Drain of the Object Detection Processing Pipeline for Mobile Devices: Analysis and Implications

• arxiv url: http://arxiv.org/abs/2011.13075v1
• Date: Thu, 26 Nov 2020 00:32:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 12:33:07.558319
• Title: Energy Drain of the Object Detection Processing Pipeline for Mobile Devices: Analysis and Implications
• Title（参考訳）: モバイルデバイス用物体検出処理パイプラインの省エネルギー化:解析と意味
• Authors: Haoxin Wang, BaekGyu Kim, Jiang Xie and Zhu Han
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 77.00418462388525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Applying deep learning to object detection provides the capability to accurately detect and classify complex objects in the real world. However, currently, few mobile applications use deep learning because such technology is computation-intensive and energy-consuming. This paper, to the best of our knowledge, presents the first detailed experimental study of a mobile augmented reality (AR) client's energy consumption and the detection latency of executing Convolutional Neural Networks (CNN) based object detection, either locally on the smartphone or remotely on an edge server. In order to accurately measure the energy consumption on the smartphone and obtain the breakdown of energy consumed by each phase of the object detection processing pipeline, we propose a new measurement strategy. Our detailed measurements refine the energy analysis of mobile AR clients and reveal several interesting perspectives regarding the energy consumption of executing CNN-based object detection. Furthermore, several insights and research opportunities are proposed based on our experimental results. These findings from our experimental study will guide the design of energy-efficient processing pipeline of CNN-based object detection.
• Abstract（参考訳）: オブジェクト検出にディープラーニングを適用することで、現実世界の複雑なオブジェクトを正確に検出し、分類することができる。 しかし、このテクノロジーは計算集約的でエネルギー消費が強いため、現在、ディープラーニングを使用するモバイルアプリケーションはほとんどない。 本稿は,我々の知る限り,モバイル拡張現実(AR)クライアントのエネルギー消費と,CNNベースのオブジェクト検出を行うための検出遅延について,スマートフォン上でも,あるいはエッジサーバ上でも,初めて詳細な実験を行ったものである。 スマートフォン上でのエネルギー消費量を正確に測定し、対象検出処理パイプラインの各フェーズで消費されるエネルギーのブレークダウンを得るため、新しい計測戦略を提案する。 我々は,モバイルarクライアントのエネルギー分析を精査し,cnnに基づくオブジェクト検出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。 さらに,実験結果をもとに,いくつかの知見と研究機会を提案する。 本研究から得られた知見は,cnnに基づく物体検出におけるエネルギー効率の高い処理パイプラインの設計を導く。

関連論文リスト

• Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
  我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。 KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。 RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
  論文  参考訳（メタデータ） (2024-09-09T13:56:22Z)
• Object Detectors in the Open Environment: Challenges, Solutions, and Outlook [95.3317059617271]
  オープン環境のダイナミックで複雑な性質は、オブジェクト検出器に新しくて恐ろしい挑戦をもたらす。 本稿では,オープン環境におけるオブジェクト検出器の総合的なレビューと解析を行う。 データ/ターゲットの変化の次元に基づいて、4つの四分法(ドメイン外、カテゴリ外、堅牢な学習、漸進的な学習)を含むフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-24T19:32:39Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• Unveiling Energy Efficiency in Deep Learning: Measurement, Prediction, and Scoring across Edge Devices [8.140572894424208]
  我々はエネルギー測定、予測、効率評価を含む3倍の研究を行う。 まず、デバイス上での深層学習のエネルギー消費特性を明らかにするための、第1級の詳細な測定結果を示す。 第2に、カーネルレベルのエネルギーデータセットに基づいて、エッジデバイスのための最初のカーネルレベルのエネルギー予測器を設計、実装する。
  論文  参考訳（メタデータ） (2023-10-19T23:55:00Z)
• AcTExplore: Active Tactile Exploration of Unknown Objects [17.755567328263847]
  本稿では, 大規模オブジェクト再構成のための強化学習による能動的触覚探索手法であるAcTExploreを提案する。 本アルゴリズムは, 触覚データを段階的に収集し, 物体の3次元形状を再構築する。 本手法は, 未確認のYCBオブジェクトに対して平均95.97%のIoUカバレッジを達成し, 原始形状でのみ訓練する。
  論文  参考訳（メタデータ） (2023-10-12T22:15:06Z)
• E$^3$-UAV: An Edge-based Energy-Efficient Object Detection System for Unmanned Aerial Vehicles [6.209839344777645]
  E$3$-UAVは、UAVのためのエッジベースのエネルギー効率の高い物体検出システムである。 まず、実際のタスクに対する効果的な評価基準を示し、透過的なエネルギー消費モデルを構築する。 そこで本研究では,実際の飛行データ量に基づいて,軽量なエネルギー効率の優先度決定アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-09T08:02:11Z)
• RTMDet: An Empirical Study of Designing Real-Time Object Detectors [13.09100888887757]
  我々は、YOLO級数を超え、多くのオブジェクト認識タスクに容易に対応できる効率的なリアルタイム物体検出装置を開発した。 より良いトレーニング技術とともに、得られたオブジェクト検出器はRTMDetと呼ばれ、COCOでは52.8%AP、NVIDIA 3090 GPUでは300以上のFPSを達成している。 実験結果によって、多くの物体認識タスクのための汎用的リアルタイム物体検出器の設計に関する新たな洞察が得られればと願っている。
  論文  参考訳（メタデータ） (2022-12-14T18:50:20Z)
• Infrared Small-Dim Target Detection with Transformer under Complex Backgrounds [155.388487263872]
  変換器を用いた赤外線小径目標検出手法を提案する。 画像特徴の相互作用情報をより広い範囲で学習するために,変換器の自己認識機構を採用する。 最小限のターゲットの機能を学習するための機能拡張モジュールも設計しています。
  論文  参考訳（メタデータ） (2021-09-29T12:23:41Z)
• AdaCon: Adaptive Context-Aware Object Detection for Resource-Constrained Embedded Devices [2.5345835184316536]
  畳み込みニューラルネットワークは、オブジェクト検出タスクにおいて最先端の精度を達成する。 リソース制約のあるエッジデバイスへの展開に挑戦する計算とエネルギーの要求が大きい。 本稿では,物体検出モデルの効率を高めるために,異なる対象カテゴリが共同で発生する確率に関する事前知識を活用する。 COCOデータセットを用いた実験の結果, 適応物体検出モデルでは, エネルギー消費量が最大45%減少し, 遅延が最大27%減少し, 物体検出の平均精度(AP)が低下することがわかった。
  論文  参考訳（メタデータ） (2021-08-16T01:21:55Z)
• 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)

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。