論文の概要: Dynamic Network selection for the Object Detection task: why it matters
and what we (didn't) achieve
- arxiv url: http://arxiv.org/abs/2105.13279v1
- Date: Thu, 27 May 2021 16:25:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-28 16:07:16.023377
- Title: Dynamic Network selection for the Object Detection task: why it matters
and what we (didn't) achieve
- Title（参考訳）: 物体検出タスクのための動的ネットワーク選択:なぜそれが重要で何が達成できないのか
- Authors: Emanuele Vitali and Anton Lokhmotov and Gianluca Palermo
- Abstract要約: 本稿では,Deep Neural Networkコンテキストにおける推論プロセスに対する動的自動チューニング手法の潜在的な利点を示す。
我々は、よく知られたCOCO 17データベースの最適検出器を見つけるために、異なるニューラルネットワークをベンチマークした。
- 参考スコア（独自算出の注目度）: 1.8467344387137519
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we want to show the potential benefit of a dynamic auto-tuning
approach for the inference process in the Deep Neural Network (DNN) context,
tackling the object detection challenge. We benchmarked different neural
networks to find the optimal detector for the well-known COCO 17 database, and
we demonstrate that even if we only consider the quality of the prediction
there is not a single optimal network. This is even more evident if we also
consider the time to solution as a metric to evaluate, and then select, the
most suitable network. This opens to the possibility for an adaptive
methodology to switch among different object detection networks according to
run-time requirements (e.g. maximum quality subject to a time-to-solution
constraint).
Moreover, we demonstrated by developing an ad hoc oracle, that an additional
proactive methodology could provide even greater benefits, allowing us to
select the best network among the available ones given some characteristics of
the processed image. To exploit this method, we need to identify some image
features that can be used to steer the decision on the most promising network.
Despite the optimization opportunity that has been identified, we were not able
to identify a predictor function that validates this attempt neither adopting
classical image features nor by using a DNN classifier.
- Abstract（参考訳）: 本稿では,Deep Neural Network(DNN)コンテキストにおける推論プロセスに対する動的オートチューニングアプローチの潜在的なメリットを示し,オブジェクト検出の課題に対処する。
我々は、よく知られたCOCO 17データベースの最適検出器を見つけるために、異なるニューラルネットワークをベンチマークした。
これは、最も適切なネットワークを評価し、選択するための指標としてソリューションの時間も考慮すれば、さらに明確になります。
これにより、実行時の要求に応じて、異なるオブジェクト検出ネットワーク間で適応的手法を切り替える可能性を開く(例えば、)。
最大品質は解法までの時間制約)。
さらに, アドホックオラクルの開発により, 追加のプロアクティブな手法によりさらに大きなメリットが得られ, 処理された画像の特徴を考慮し, 利用可能なものの中から最適なネットワークを選択できることを実証した。
この手法を利用するには、最も有望なネットワーク上で決定を下すために使用できるいくつかの画像特徴を特定する必要がある。
最適化の機会が特定されたにもかかわらず、この試みが古典的な画像機能やdnn分類器を使わずに検証できる予測子関数は特定できなかった。
関連論文リスト
- Feature Selection for Network Intrusion Detection [3.7414804164475983]
本稿では,ネットワーク侵入を検出する際に,非情報的特徴の排除を容易にする情報理論を提案する。
提案手法は,ニューラルネットワークを用いた関数近似に基づいて,再帰層を組み込んだアプローチのバージョンを実現する。
論文 参考訳（メタデータ） (2024-11-18T14:25:55Z) - Unveiling the Power of Sparse Neural Networks for Feature Selection [60.50319755984697]
スパースニューラルネットワーク(SNN)は、効率的な特徴選択のための強力なツールとして登場した。
動的スパーストレーニング(DST)アルゴリズムで訓練されたSNNは、平均して50%以上のメモリと55%以上のFLOPを削減できることを示す。
以上の結果から,DSTアルゴリズムで訓練したSNNによる特徴選択は,平均して50ドル以上のメモリと55%のFLOPを削減できることがわかった。
論文 参考訳（メタデータ） (2024-08-08T16:48:33Z) - Detection-Rate-Emphasized Multi-objective Evolutionary Feature Selection for Network Intrusion Detection [21.104686670216445]
ネットワーク侵入検出における特徴選択問題を3目的最適化問題としてモデル化するDR-MOFSを提案する。
ほとんどの場合、提案手法は従来の手法、すなわちより少ない特徴、より高い精度と検出率を達成できる。
論文 参考訳（メタデータ） (2024-06-13T14:42:17Z) - A distributed neural network architecture for dynamic sensor selection
with application to bandwidth-constrained body-sensor networks [53.022158485867536]
ディープニューラルネットワーク(DNN)のための動的センサ選択手法を提案する。
データセット全体の固定選択ではなく、個々の入力サンプルに対して最適なセンササブセット選択を導出することができる。
無線センサネットワーク(WSN)の寿命を、各ノードの送信頻度に制約を加えることで、この動的選択をいかに利用できるかを示す。
論文 参考訳（メタデータ） (2023-08-16T14:04:50Z) - R(Det)^2: Randomized Decision Routing for Object Detection [64.48369663018376]
本稿では,決定木とディープニューラルネットワークをエンドツーエンドの学習方法で組み合わせたオブジェクト検出手法を提案する。
効率的な学習を容易にするために,ノード選択型および連想型損失を伴うランダム化決定経路を提案する。
このアプローチをオブジェクト検出のためのランダム化決定ルーティングとして、R(Det)$2$と略す。
論文 参考訳（メタデータ） (2022-04-02T07:54:58Z) - 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) - Joint Learning of Neural Transfer and Architecture Adaptation for Image
Recognition [77.95361323613147]
現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。
本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。
本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
論文 参考訳（メタデータ） (2021-03-31T08:15:17Z) - Learning Deep Interleaved Networks with Asymmetric Co-Attention for
Image Restoration [65.11022516031463]
本稿では,高品質(本社)画像再構成のために,異なる状態の情報をどのように組み合わせるべきかを学習するディープインターリーブドネットワーク(DIN)を提案する。
本稿では,各インターリーブノードにアタッチメントされた非対称なコアテンション(AsyCA)を提案し,その特性依存性をモデル化する。
提案したDINはエンドツーエンドで訓練でき、様々な画像復元タスクに適用できる。
論文 参考訳（メタデータ） (2020-10-29T15:32:00Z) - A Progressive Sub-Network Searching Framework for Dynamic Inference [33.93841415140311]
本稿では、トレーニング可能なノイズランキング、チャネルグループ、微調整しきい値設定、サブネット再選択など、いくつかの効果的な手法を組み込んだプログレッシブサブネット探索フレームワークを提案する。
提案手法は,従来普及していたUniversally-Slimmable-Networkの4.4%と平均2.3%と,モデルサイズが同じであるImageNetデータセットと比較して,より優れた動的推論精度を実現する。
論文 参考訳（メタデータ） (2020-09-11T22:56:02Z) - Robust Image Matching By Dynamic Feature Selection [17.3367710589782]
画像間の密接な対応を推定することは、長年続く課題である。
近年の研究では、畳み込みニューラルネットワーク(CNN)を導入し、高レベルの特徴マップを抽出し、特徴マッチングを通じて対応を見つける。
異なるスケールの機能を動的に選択することで、ロバストな特徴を生成する。
論文 参考訳（メタデータ） (2020-08-13T06:21:33Z)
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。