論文の概要: Edge-Cloud Collaborated Object Detection via Difficult-Case
Discriminator
- arxiv url: http://arxiv.org/abs/2108.12858v1
- Date: Sun, 29 Aug 2021 14:55:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-01 02:40:23.979345
- Title: Edge-Cloud Collaborated Object Detection via Difficult-Case
Discriminator
- Title(参考訳): 難易度判別器によるエッジクラウド協調物体検出
- Authors: Zhiqiang Cao, Zhijun Li, Pan Heng, Yongrui Chen, Daqi Xie and Jie Liu
- Abstract要約: 現在のエッジクラウドコラボレーションメソッド、例えば、エッジクラウドデバイス上のCNNパーティションは、オブジェクト検出には適していない。
クラウド上に大きなモデルをデプロイし,エッジデバイス上に小さなモデルをデプロイする,小さな大きなモデルフレームワークを提案する。
- 参考スコア(独自算出の注目度): 11.728778375501292
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As one of the basic tasks of computer vision, object detection has been
widely used in many intelligent applications. However, object detection
algorithms are usually heavyweight in computation, hindering their
implementations on resource-constrained edge devices. Current edge-cloud
collaboration methods, such as CNN partition over Edge-cloud devices, are not
suitable for object detection since the huge data size of the intermediate
results will introduce extravagant communication costs. To address this
challenge, we propose a small-big model framework that deploys a big model in
the cloud and a small model on the edge devices. Upon receiving data, the edge
device operates a difficult-case discriminator to classify the images into easy
cases and difficult cases according to the specific semantics of the images.
The easy cases will be processed locally at the edge, and the difficult cases
will be uploaded to the cloud. Experimental results on the VOC, COCO, HELMET
datasets using two different object detection algorithms demonstrate that the
small-big model system can detect 94.01%-97.84% of objects with only about 50%
images uploaded to the cloud when using SSD. In addition, the small-big model
averagely reaches 91.22%- 92.52% end-to-end mAP of the scheme that uploading
all images to the cloud.
- Abstract(参考訳): コンピュータビジョンの基本課題の一つとして、オブジェクト検出は多くのインテリジェントなアプリケーションで広く使われている。
しかし、オブジェクト検出アルゴリズムは通常計算において重く、リソース制約のあるエッジデバイスの実装を妨げる。
エッジクラウドデバイス上のCNNパーティションのような現在のエッジクラウドコラボレーションメソッドは、中間結果の巨大なデータサイズが余計な通信コストをもたらすため、オブジェクト検出には適していない。
この課題に対処するために,クラウド上に大きなモデルをデプロイし,エッジデバイス上に小さなモデルをデプロイする,小型のモデルフレームワークを提案する。
エッジ装置は、データを受信すると、画像の特定のセマンティクスに応じて、画像を簡単なケースと難しいケースに分類する難易度判別器を動作させる。
簡単なケースはエッジでローカルに処理され、難しいケースはクラウドにアップロードされる。
2つの異なるオブジェクト検出アルゴリズムを用いたVOC、COCO、HELMETデータセットの実験結果から、SSDを使用すると、約50%の画像しかクラウドにアップロードされていないオブジェクトの94.01%-97.84%を検出できることが示された。
さらに、小さな大きなモデルは、すべての画像をクラウドにアップロードするスキームの91.22%から92.52%のエンドツーエンドのmAPに達する。
関連論文リスト
- ESOD: Efficient Small Object Detection on High-Resolution Images [36.80623357577051]
小さなオブジェクトは通常、わずかに分散され、局所的にクラスタ化される。
画像の非対象背景領域において、大量の特徴抽出計算を無駄にする。
本稿では,検出器のバックボーンを再利用して,特徴レベルのオブジェクト探索とパッチスライシングを行う方法を提案する。
論文 参考訳(メタデータ) (2024-07-23T12:21:23Z) - YOLC: You Only Look Clusters for Tiny Object Detection in Aerial Images [33.80392696735718]
YOLC(You Only Look Clusters)は、アンカーフリーなオブジェクト検出器であるCenterNet上に構築された、効率的で効果的なフレームワークである。
大規模画像や非一様オブジェクトの分布がもたらす課題を克服するため,正確な検出のためにクラスタ領域のズームインを適応的に検索するローカルスケールモジュール(LSM)を導入する。
Visdrone 2019 と UAVDT を含む2つの航空画像データセットに対する広範な実験を行い、提案手法の有効性と優位性を実証した。
論文 参考訳(メタデータ) (2024-04-09T10:03:44Z) - 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) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳(メタデータ) (2023-08-18T13:13:09Z) - EasyNet: An Easy Network for 3D Industrial Anomaly Detection [49.26348455493123]
3D異常検出は、産業生産において、新しくて重要なコンピュータビジョンタスクである。
我々は,事前訓練されたモデルやメモリバンクを使わずに,容易に展開可能なネットワーク(EasyNet)を提案する。
実験の結果、EasyNetはトレーニング済みのモデルやメモリバンクを使わずに92.6%の異常検出AUROCを実現していることがわかった。
論文 参考訳(メタデータ) (2023-07-26T02:46:50Z) - 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) - 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) - Object Detection in Aerial Images: A Large-Scale Benchmark and
Challenges [124.48654341780431]
航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。
提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。
70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
論文 参考訳(メタデータ) (2021-02-24T11:20:55Z) - SyNet: An Ensemble Network for Object Detection in UAV Images [13.198689566654107]
本稿では,マルチステージ方式とシングルステージ方式を組み合わせたアンサンブルネットワークであるSyNetを提案する。
ビルディングブロックとして、センシング戦略とともに、プリトレーニング特徴抽出器を備えたセンタネットおよびカスケードr−cnnを利用する。
提案手法により得られた技術成果を2つの異なるデータセットで報告する。
論文 参考訳(メタデータ) (2020-12-23T21:38:32Z) - Multi-scale Cloud Detection in Remote Sensing Images using a Dual
Convolutional Neural Network [4.812718493682455]
CNNは、リモートセンシング画像のピクセルレベルの分類において、最先端の技術を進歩させた。
アンサンプとフル解像度の画像を逐次処理する2つのCNNモデルコンポーネントのアーキテクチャを提案する。
パッチによるCNNベースラインの画素精度は16%向上した。
論文 参考訳(メタデータ) (2020-06-01T10:27:42Z) - Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge
Detection [63.942632088208505]
本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。
これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
論文 参考訳(メタデータ) (2020-03-28T18:51:43Z)
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。