論文の概要: Evaluation of Thermal Imaging on Embedded GPU Platforms for Application
in Vehicular Assistance Systems
- arxiv url: http://arxiv.org/abs/2201.01661v1
- Date: Wed, 5 Jan 2022 15:36:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-06 14:20:04.593306
- Title: Evaluation of Thermal Imaging on Embedded GPU Platforms for Application
in Vehicular Assistance Systems
- Title(参考訳): 組込みGPUプラットフォームにおける熱画像の評価と車両支援への応用
- Authors: Muhammad Ali Farooq, Waseem Shariff, Peter Corcoran
- Abstract要約: 本研究は、スマートで安全な車両用サーマルオブジェクト検出のリアルタイム性能を評価することに焦点を当てた。
35,000以上の異なるフレームからなる新しい大規模熱データセットを取得する。
トレーニングネットワークの有効性は、様々な定量的指標を用いて、広範なテストデータに基づいて検証される。
- 参考スコア(独自算出の注目度): 0.5156484100374058
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This study is focused on evaluating the real-time performance of thermal
object detection for smart and safe vehicular systems by deploying the trained
networks on GPU & single-board EDGE-GPU computing platforms for onboard
automotive sensor suite testing. A novel large-scale thermal dataset comprising
of > 35,000 distinct frames is acquired, processed, and open-sourced in
challenging weather and environmental scenarios. The dataset is a recorded from
lost-cost yet effective uncooled LWIR thermal camera, mounted stand-alone and
on an electric vehicle to minimize mechanical vibrations. State-of-the-art
YOLO-V5 networks variants are trained using four different public datasets as
well newly acquired local dataset for optimal generalization of DNN by
employing SGD optimizer. The effectiveness of trained networks is validated on
extensive test data using various quantitative metrics which include precision,
recall curve, mean average precision, and frames per second. The smaller
network variant of YOLO is further optimized using TensorRT inference
accelerator to explicitly boost the frames per second rate. Optimized network
engine increases the frames per second rate by 3.5 times when testing on low
power edge devices thus achieving 11 fps on Nvidia Jetson Nano and 60 fps on
Nvidia Xavier NX development boards.
- Abstract(参考訳): 本研究は、車載センサスイートテストのためのGPUおよびシングルボードEDGE-GPUコンピューティングプラットフォーム上にトレーニングされたネットワークをデプロイすることにより、スマートで安全な車両システムに対する熱物体検出のリアルタイム性能を評価することに焦点を当てた。
35,000以上の異なるフレームからなる新しい大規模熱データセットを、厳しい気象や環境シナリオで取得、処理、オープンソース化する。
このデータセットは、安価で効果的に冷却されていないLWIR熱カメラから記録され、スタンドアローンと電気自動車に搭載され、機械的振動を最小限に抑える。
最新のYOLO-V5ネットワークは、4つの異なる公開データセットと、SGDオプティマイザを用いてDNNの最適な一般化のための新たに取得したローカルデータセットを用いて訓練されている。
トレーニングされたネットワークの有効性は、精度、リコール曲線、平均精度、フレーム毎秒を含む様々な定量的指標を用いて、広範囲なテストデータで検証される。
YOLOのより小さなネットワーク版は、TensorRT推論アクセラレータを使って、毎秒フレームを明示的に増やすように最適化されている。
最適化されたネットワークエンジンは、低消費電力エッジデバイスでテストすると、毎秒3.5倍のフレームを増大させ、Nvidia Jetson Nanoで11fps、Nvidia Xavier NX開発ボードで60fpsを達成する。
関連論文リスト
- EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。
我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。
私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
論文 参考訳(メタデータ) (2023-02-15T06:05:14Z) - Development, Optimization, and Deployment of Thermal Forward Vision
Systems for Advance Vehicular Applications on Edge Devices [0.3058685580689604]
我々は、エンドツーエンドのYOLO深層学習フレームワークを用いたスマートフォワードセンシングシステムとして、熱的小型YOLO多クラスオブジェクト検出(TTYMOD)システムを提案する。
このシステムは大規模な熱機関で訓練され、35,000以上の異なる熱フレームからなる新たなオープンソースデータセットが新たに集められている。
温度調整されたナノネットワークの有効性を、平均精度、秒間フレーム、平均推定時間を含む様々な定性的指標を用いて定量化する。
論文 参考訳(メタデータ) (2023-01-18T15:45:33Z) - Benchmarking Edge Computing Devices for Grape Bunches and Trunks
Detection using Accelerated Object Detection Single Shot MultiBox Deep
Learning Models [2.1922186455344796]
この研究は、オブジェクト検出のための異なるプラットフォームのパフォーマンスをリアルタイムでベンチマークする。
著者らは、自然なVineデータセットを使用して、RetinaNet ResNet-50を微調整した。
論文 参考訳(メタデータ) (2022-11-21T17:02:33Z) - FasterX: Real-Time Object Detection Based on Edge GPUs for UAV
Applications [16.51060054575739]
我々は,エッジGPU上でのリアルタイム物体検出のためのYOLOXモデルに基づく,FasterXという新しい軽量ディープラーニングアーキテクチャを提案する。
まず,YOLOXのオリジナルヘッドを代替し,小型物体のより優れた検出を行うために,有効で軽量なPixSFヘッドを設計する。
次に、SlimFPNと呼ばれるネック層のスリム構造を開発し、精度と速度のトレードオフであるネットワークのパラメータを低減する。
論文 参考訳(メタデータ) (2022-09-07T13:52:25Z) - A lightweight and accurate YOLO-like network for small target detection
in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。
YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。
YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文 参考訳(メタデータ) (2022-04-05T16:29:49Z) - FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。
この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。
分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
論文 参考訳(メタデータ) (2022-01-18T13:59:22Z) - Accelerating Training and Inference of Graph Neural Networks with Fast
Sampling and Pipelining [58.10436813430554]
グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。
我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。
本稿では,これらのボトルネックを緩和する一連の改良点について述べる。
また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
論文 参考訳(メタデータ) (2021-10-16T02:41:35Z) - Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using
Meta-Learning [64.92447072894055]
赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。
既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。
KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
論文 参考訳(メタデータ) (2021-10-07T02:28:18Z) - Object Detection in Thermal Spectrum for Advanced Driver-Assistance
Systems (ADAS) [0.5156484100374058]
熱赤外スペクトルにおける物体検出は、低照度条件と異なる気象条件においてより信頼性の高いデータソースを提供する。
本稿では,高度運転支援システム(ADAS)の7つの異なるクラスを用いたサーマルビジョンにおける最先端のオブジェクト・ビジョン・フレームワークの探索と適用について述べる。
公開データセット上のトレーニング済みネットワーク変種は、3つの異なるテストアプローチでテストデータ上で検証される。
訓練されたネットワークの有効性は、未冷却のLWIRプロトタイプ熱カメラで捉えたローカル収集された新しいテストデータで検証される。
論文 参考訳(メタデータ) (2021-09-20T21:38:55Z) - ASFD: Automatic and Scalable Face Detector [129.82350993748258]
ASFD(Automatic and Scalable Face Detector)を提案する。
ASFDはニューラルアーキテクチャ検索技術の組み合わせと新たな損失設計に基づいている。
ASFD-D0は120FPS以上で動作し、MobilenetはVGA解像度の画像を撮影しています。
論文 参考訳(メタデータ) (2020-03-25T06:00:47Z) - Learning to Exploit Multiple Vision Modalities by Using Grafted Networks [16.562442770255032]
新しい視覚センサーは、従来の強度カメラから入手できない情報を提供する。
現在の強力なディープニューラルネットワークでこれらのセンサーを使用するための障害は、大きなラベル付きトレーニングデータセットがないことである。
本稿では,非伝統的な視覚入力によって駆動される新しいフロントエンドネットワークが,インテンシティフレームを処理する事前訓練されたディープネットワークのフロントエンドネットワークを置き換えるネットワークグラフ化アルゴリズム(NGA)を提案する。
論文 参考訳(メタデータ) (2020-03-24T16:37:52Z)
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。