論文の概要: AdaCon: Adaptive Context-Aware Object Detection for Resource-Constrained Embedded Devices

• arxiv url: http://arxiv.org/abs/2108.06850v1
• Date: Mon, 16 Aug 2021 01:21:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-17 15:27:51.305808
• Title: AdaCon: Adaptive Context-Aware Object Detection for Resource-Constrained Embedded Devices
• Title（参考訳）: AdaCon:資源制約組み込みデバイスに対する適応的コンテキスト認識オブジェクト検出
• Authors: Marina Neseem and Sherief Reda
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.5345835184316536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional Neural Networks achieve state-of-the-art accuracy in object detection tasks. However, they have large computational and energy requirements that challenge their deployment on resource-constrained edge devices. Object detection takes an image as an input, and identifies the existing object classes as well as their locations in the image. In this paper, we leverage the prior knowledge about the probabilities that different object categories can occur jointly to increase the efficiency of object detection models. In particular, our technique clusters the object categories based on their spatial co-occurrence probability. We use those clusters to design an adaptive network. During runtime, a branch controller decides which part(s) of the network to execute based on the spatial context of the input frame. Our experiments using COCO dataset show that our adaptive object detection model achieves up to 45% reduction in the energy consumption, and up to 27% reduction in the latency, with a small loss in the average precision (AP) of object detection.
• Abstract（参考訳）: 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。 しかし、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。 オブジェクト検出は、イメージを入力として、画像内の既存のオブジェクトクラスとそれらの位置を識別する。 本稿では,オブジェクト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協調して発生する確率について,事前の知識を活用する。 特に,本手法は空間的共起確率に基づいて対象カテゴリをクラスタリングする。 これらのクラスタを使って適応的なネットワークを設計します。 実行中、ブランチコントローラは、入力フレームの空間的コンテキストに基づいて、ネットワークのどの部分(s)を実行するかを決定する。 cocoデータセットを用いた実験により,我々の適応対象検出モデルは最大45%のエネルギー消費削減,最大27%のレイテンシ削減を実現し,オブジェクト検出の平均精度 (ap) の損失が小さいことを示した。

関連論文リスト

• 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)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Multi-Objective Evolutionary for Object Detection Mobile Architectures Search [21.14296703753317]
  NASシナリオの非支配的ソートに基づく移動体検出バックボーンネットワークアーキテクチャ探索アルゴリズムを提案する。 提案手法は,重みマッピング手法を用いて,異なる深さ,幅,拡張サイズでバックボーンネットワークを探索することができる。 類似の計算複雑性の下では、検索したバックボーンネットワークアーキテクチャの精度は、MobileDetよりも2.0% mAP高い。
  論文  参考訳（メタデータ） (2022-11-05T00:28:49Z)
• Object Detection in Aerial Images with Uncertainty-Aware Graph Network [61.02591506040606]
  本稿では,ノードとエッジがオブジェクトによって表現される構造化グラフを用いた,新しい不確実性を考慮したオブジェクト検出フレームワークを提案する。 我々は我々のモデルをオブジェクトDETection(UAGDet)のための不確実性対応グラフネットワークと呼ぶ。
  論文  参考訳（メタデータ） (2022-08-23T07:29:03Z)
• Knowledge Distillation for Oriented Object Detection on Aerial Images [1.827510863075184]
  本稿では,KD-RNetの知識蒸留による空中画像の回転物体検出のためのモデル圧縮手法を提案する。 大規模空中物体検出データセット(DOTA)による実験結果から,提案したKD-RNetモデルにより,パラメータ数を削減した平均値精度(mAP)が向上し,同時にKD-RNetは,基底アノテーションと高い重なり合う高品質検出を提供することで,性能を向上することを示した。
  論文  参考訳（メタデータ） (2022-06-20T14:24:16Z)
• Decoupled Adaptation for Cross-Domain Object Detection [69.5852335091519]
  クロスドメインオブジェクト検出は、オブジェクト分類よりも難しい。 D-adaptは4つのクロスドメインオブジェクト検出タスクで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2021-10-06T08:43:59Z)
• You Better Look Twice: a new perspective for designing accurate detectors with reduced computations [56.34005280792013]
  BLT-netは、新しい低計算の2段階オブジェクト検出アーキテクチャである。 非常にエレガントな第1ステージを使用して、オブジェクトをバックグラウンドから分離することで、計算を削減します。 結果のイメージ提案は、高度に正確なモデルによって第2段階で処理される。
  論文  参考訳（メタデータ） (2021-07-21T12:39:51Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)
• Online Monitoring of Object Detection Performance During Deployment [6.166295570030645]
  入力フレームのスライディングウィンドウ上での平均平均精度(mAP)を予測し,対象検出器の性能を監視するカスケードニューラルネットワークを提案する。 我々は、自律走行データセットと物体検出装置の異なる組み合わせを用いて、提案手法の評価を行った。
  論文  参考訳（メタデータ） (2020-11-16T07:01:43Z)
• Few-shot Object Detection with Self-adaptive Attention Network for Remote Sensing Images [11.938537194408669]
  本報告では, ごく一部の例で提供される新しい物体を検出するために設計された, 数発の物体検出器を提案する。 対象物検出設定に適合するため,本提案では,全画像ではなく対象物レベルの関係に焦点を合わせている。 本実験は, 撮影シーンにおける提案手法の有効性を実証するものである。
  論文  参考訳（メタデータ） (2020-09-26T13:44:58Z)
• Detective: An Attentive Recurrent Model for Sparse Object Detection [25.5804429439316]
  ディテクティヴ(英: Detective)は、画像中の物体を連続的に識別する注意オブジェクト検出器である。 Detectiveはスパースオブジェクト検出器で、オブジェクトインスタンス毎に単一のバウンディングボックスを生成する。 ハンガリーのアルゴリズムに基づく学習機構と,局所化と分類タスクのバランスをとる損失を提案する。
  論文  参考訳（メタデータ） (2020-04-25T17:41:52Z)

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。