論文の概要: Achieving on-Mobile Real-Time Super-Resolution with Neural Architecture and Pruning Search

• arxiv url: http://arxiv.org/abs/2108.08910v1
• Date: Wed, 18 Aug 2021 06:47:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-24 00:33:48.856978
• Title: Achieving on-Mobile Real-Time Super-Resolution with Neural Architecture and Pruning Search
• Title（参考訳）: ニューラルアーキテクチャとプルーニング探索によるモバイルリアルタイム超解像の実現
• Authors: Zheng Zhan, Yifan Gong, Pu Zhao, Geng Yuan, Wei Niu, Yushu Wu, Tianyun Zhang, Malith Jayaweera, David Kaeli, Bin Ren, Xue Lin, Yanzhi Wang
• Abstract要約: リアルタイムの推論要求を満たすとともに、画像品質の高いスパース超解像モデル(SR)を導出する自動探索フレームワークを提案する。 提案したフレームワークでは、競合画像の品質を持つ720pの解像度を実現するために、リアルタイムSR推論(フレームあたり数ミリ秒)を初めて実現している。
• 参考スコア（独自算出の注目度）: 64.80878113422824
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Though recent years have witnessed remarkable progress in single image super-resolution (SISR) tasks with the prosperous development of deep neural networks (DNNs), the deep learning methods are confronted with the computation and memory consumption issues in practice, especially for resource-limited platforms such as mobile devices. To overcome the challenge and facilitate the real-time deployment of SISR tasks on mobile, we combine neural architecture search with pruning search and propose an automatic search framework that derives sparse super-resolution (SR) models with high image quality while satisfying the real-time inference requirement. To decrease the search cost, we leverage the weight sharing strategy by introducing a supernet and decouple the search problem into three stages, including supernet construction, compiler-aware architecture and pruning search, and compiler-aware pruning ratio search. With the proposed framework, we are the first to achieve real-time SR inference (with only tens of milliseconds per frame) for implementing 720p resolution with competitive image quality (in terms of PSNR and SSIM) on mobile platforms (Samsung Galaxy S20).
• Abstract（参考訳）: 近年、深層ニューラルネットワーク(dnn)の発展に伴い、シングルイメージスーパーレゾリューション(sisr)タスクが著しく進歩しているのを目撃しているが、深層学習手法は、実際には計算とメモリ消費の問題、特にモバイルデバイスのようなリソース制限されたプラットフォームに直面している。 この課題を克服し,モバイル上でのsisrタスクのリアルタイム展開を容易にするために,ニューラルネットワーク検索とpruning検索を組み合わせることで,sparse super- resolution (sr)モデルから画像品質の高い自動検索フレームワークを提案する。 探索コストを削減するため,スーパーネットを導入し,スーパーネット構築,コンパイラ対応アーキテクチャ,プルーニング検索,コンパイラ対応プルーニング比探索の3段階に分割することで,重み付け戦略を活用する。 提案フレームワークでは,モバイルプラットフォーム(Samsung Galaxy S20)上で,競争力のある画質(PSNR,SSIM)を持つ720pの解像度を実現するために,リアルタイムSR推論(フレームあたり数ミリ秒)を初めて実現した。

関連論文リスト

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Real-Time Image Segmentation via Hybrid Convolutional-Transformer Architecture Search [49.81353382211113]
  マルチヘッド自己認識を高分解能表現CNNに効率的に組み込むという課題に対処する。 本稿では,高解像度機能の利点をフル活用したマルチターゲットマルチブランチ・スーパーネット手法を提案する。 本稿では,Hybrid Convolutional-Transformer Architecture Search (HyCTAS)法を用いて,軽量畳み込み層とメモリ効率のよい自己保持層を最適に組み合わせたモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T15:47:54Z)
• SYENet: A Simple Yet Effective Network for Multiple Low-Level Vision Tasks with Real-time Performance on Mobile Device [6.548475407783714]
  本稿では,モバイルデバイス上で複数の低レベル視覚タスクをリアルタイムに処理する新しいネットワークであるSYENetを提案する。 提案手法は, リアルタイムアプリケーションにおける他のネットワークと比較して, 最高のPSNRよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-08-16T04:03:59Z)
• Compiler-Aware Neural Architecture Search for On-Mobile Real-time Super-Resolution [48.13296296287587]
  適応SRブロックを用いた深度探索と層間幅探索を行うコンパイラ対応SRニューラルアーキテクチャサーチ(NAS)フレームワークを提案する。 我々は,モバイルプラットフォームのGPU/DSP上でのSR性能と競合する720pの解像度を実現するために,リアルタイムSR推論を実現する。
  論文  参考訳（メタデータ） (2022-07-25T23:59:19Z)
• Extremely Lightweight Quantization Robust Real-Time Single-Image Super Resolution for Mobile Devices [0.0]
  シングルイメージ・スーパーレゾリューション(SISR)は古典的なコンピュータビジョンの問題であり、数十年にわたって研究されてきた。 SISRに関する最近の研究は、ディープラーニングの方法論に焦点を合わせ、最先端の結果を得る。 ハードウェア(Synaptics Dolphin NPU)を意識した超軽量量子化ロバストリアルタイム超解像ネットワーク(XLSR)を提案する。
  論文  参考訳（メタデータ） (2021-05-21T11:29:48Z)
• Lightweight Image Super-Resolution with Hierarchical and Differentiable Neural Architecture Search [38.83764580480486]
  単一画像スーパーリゾリューション(SISR)タスクは、ディープニューラルネットワークで大きなパフォーマンスを達成しました。 本稿では, セルレベルとネットワークレベルの両方に対して, 軽量SISRモデル検索のための新しい微分可能なニューラルアーキテクチャ探索手法を提案する。
  論文  参考訳（メタデータ） (2021-05-09T13:30:16Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)
• MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
  我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。 我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。 我々は精度-速度トレードオフの観点から最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-29T11:56:01Z)

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。