論文の概要: Low-Power Multi-Camera Object Re-Identification using Hierarchical Neural Networks

• arxiv url: http://arxiv.org/abs/2106.10588v1
• Date: Sat, 19 Jun 2021 23:59:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-23 15:27:04.233478
• Title: Low-Power Multi-Camera Object Re-Identification using Hierarchical Neural Networks
• Title（参考訳）: 階層型ニューラルネットワークを用いた低消費電力マルチカメラ物体再同定
• Authors: Abhinav Goel, Caleb Tung, Xiao Hu, Haobo Wang, James C. Davis, George K. Thiruvathukal, Yung-Hsiang Lu
• Abstract要約: 最先端技術は大規模で計算集約的なディープニューラルネットワーク(DNN)に依存している トレーニングデータセットの属性ラベルを用いて効率的なオブジェクトreIDを実行する新しい階層型DNNアーキテクチャを提案する。 74%のメモリ削減、72%のオペレーション削減、67%のクエリレイテンシ削減、65%のエネルギー消費削減を実現しています。
• 参考スコア（独自算出の注目度）: 9.884285377021044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-power computer vision on embedded devices has many applications. This paper describes a low-power technique for the object re-identification (reID) problem: matching a query image against a gallery of previously seen images. State-of-the-art techniques rely on large, computationally-intensive Deep Neural Networks (DNNs). We propose a novel hierarchical DNN architecture that uses attribute labels in the training dataset to perform efficient object reID. At each node in the hierarchy, a small DNN identifies a different attribute of the query image. The small DNN at each leaf node is specialized to re-identify a subset of the gallery: only the images with the attributes identified along the path from the root to a leaf. Thus, a query image is re-identified accurately after processing with a few small DNNs. We compare our method with state-of-the-art object reID techniques. With a 4% loss in accuracy, our approach realizes significant resource savings: 74% less memory, 72% fewer operations, and 67% lower query latency, yielding 65% less energy consumption.
• Abstract（参考訳）: 組み込みデバイス上の低消費電力コンピュータビジョンには、多くのアプリケーションがある。 本稿では,オブジェクト再識別(reID)問題に対する低消費電力手法について述べる。 最先端技術は、大規模で計算集約的なディープニューラルネットワーク(DNN)に依存している。 トレーニングデータセットの属性ラベルを用いて効率的なオブジェクトreIDを実行する新しい階層型DNNアーキテクチャを提案する。 階層内の各ノードにおいて、小さなDNNはクエリ画像の異なる属性を特定する。 各リーフノードの小さなDNNは、ギャラリーのサブセットを再識別するために特化されている。 これにより、少数のDNNで処理した後、クエリ画像を正確に識別する。 本手法を最先端のオブジェクトreid手法と比較する。 4%の精度低下により,74%のメモリ削減,72%の操作削減,67%のクエリ遅延削減,65%の省エネを実現している。

関連論文リスト

• Learning cross space mapping via DNN using large scale click-through logs [38.94796244812248]
  低レベルの視覚信号と高レベルのセマンティクスのギャップは、ディープニューラルネットワーク(DNN)の継続的な開発によって徐々に橋渡しされている。 1つのネットワークにおける画像とクエリを同時にモデル化し、画像-クエリ類似度計算のための統合DNNモデルを提案する。 1000のクエリによる画像検索評価タスクにおける定性的な結果と定量的な結果の両方が,提案手法の優位性を示している。
  論文  参考訳（メタデータ） (2023-02-26T09:00:35Z)
• Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
  本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。 我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。 提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-04-19T17:59:45Z)
• Deep Structured Instance Graph for Distilling Object Detectors [82.16270736573176]
  本稿では,検出システム内の情報を利用して,検出知識の蒸留を容易にするための簡単な知識構造を提案する。 我々は,1段と2段の両方の検出器上で,多様な学生-教師ペアによるCOCOオブジェクト検出の課題に対して,新しい最先端の成果を達成した。
  論文  参考訳（メタデータ） (2021-09-27T08:26:00Z)
• Efficient Classification of Very Large Images with Tiny Objects [15.822654320750054]
  Zoom-Inネットワークと呼ばれるエンドツーエンドCNNモデルを用いて,大容量画像を小さなオブジェクトで分類する。 本研究では,2つの大画像データセットと1ギガピクセルデータセットについて評価を行った。
  論文  参考訳（メタデータ） (2021-06-04T20:13:04Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Searching for Controllable Image Restoration Networks [57.23583915884236]
  既存の方法は各出力毎にネットワーク全体を通して別々の推論を必要とする。 本稿では,複数の画像効果を効率的に生成できるニューラルアーキテクチャ探索手法に基づく新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-12-21T10:08:18Z)
• Computational efficient deep neural network with difference attention maps for facial action unit detection [3.73202122588308]
  本稿では,差分画像に基づくCEDNNモデルと空間アテンションマップを提案する。 多くの実験結果から、提案したCEDNNは明らかにdisFA+およびCK+データセットの従来のディープラーニング手法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2020-11-24T13:34:58Z)
• 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)
• An Ultra Lightweight CNN for Low Resource Circuit Component Recognition [11.085448830542568]
  画像内の異なる回路成分を、非常に限られた訓練データで効果的に認識できる超軽量システムを提案する。 我々のシステムの精度は93.4%に達し、サポートベクトルマシン(SVM)ベースライン(75.50%)と既存の最先端RetinaNetソリューション(92.80%)を上回っている。
  論文  参考訳（メタデータ） (2020-10-01T15:54:08Z)
• Low-Power Object Counting with Hierarchical Neural Networks [1.203768341415124]
  オブジェクトカウントはイメージとオブジェクトクエリの2つの入力を受け取り、クエリされたオブジェクトの発生回数を報告する。 ディープニューラルネットワーク(DNN)は、オブジェクトカウントなどの多くのコンピュータビジョンタスクにおいて最先端の精度を達成することができる。 DNNは数十億の操作を必要とするため、リソースに制約のある低消費電力デバイスへのデプロイが困難になる。
  論文  参考訳（メタデータ） (2020-07-02T20:13:01Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)

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。