論文の概要: MoViDNN: A Mobile Platform for Evaluating Video Quality Enhancement with Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2201.04402v1
• Date: Wed, 12 Jan 2022 10:38:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-13 15:21:53.239904
• Title: MoViDNN: A Mobile Platform for Evaluating Video Quality Enhancement with Deep Neural Networks
• Title（参考訳）: movidnn - ディープニューラルネットワークによるビデオ品質向上評価のためのモバイルプラットフォーム
• Authors: Ekrem \c{C}etinkaya and Minh Nguyen and Christian Timmerer
• Abstract要約: そこで我々は,DNNに基づく映像品質向上手法を評価するために,オープンソースのモバイルプラットフォームMoViDNNを提案する。 提案するプラットフォームは,DNNに基づくアプローチを客観的かつ主観的に評価することができる。 主観評価では,実行時間,PSNR,SSIMなどの一般的な指標を報告する。
• 参考スコア（独自算出の注目度）: 5.3526146563347154
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep neural network (DNN) based approaches have been intensively studied to improve video quality thanks to their fast advancement in recent years. These approaches are designed mainly for desktop devices due to their high computational cost. However, with the increasing performance of mobile devices in recent years, it became possible to execute DNN based approaches in mobile devices. Despite having the required computational power, utilizing DNNs to improve the video quality for mobile devices is still an active research area. In this paper, we propose an open-source mobile platform, namely MoViDNN, to evaluate DNN based video quality enhancement methods, such as super-resolution, denoising, and deblocking. Our proposed platform can be used to evaluate the DNN based approaches both objectively and subjectively. For objective evaluation, we report common metrics such as execution time, PSNR, and SSIM. For subjective evaluation, Mean Score Opinion (MOS) is reported. The proposed platform is available publicly at https://github.com/cd-athena/MoViDNN
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)に基づくアプローチは、近年の急速な進歩により、ビデオ品質を改善するために集中的に研究されている。 これらのアプローチは計算コストが高いために主にデスクトップデバイス向けに設計されている。 しかし,近年のモバイルデバイスの性能向上に伴い,dnnベースのアプローチをモバイルデバイス上で実行することが可能となった。 計算能力は必要だが、dnnを利用してモバイルデバイスのビデオ品質を向上させることは、依然として活発な研究分野である。 本稿では,DNNに基づく超解像,デノーミング,デブロッキングなどの画質向上手法を評価するために,オープンソースのモバイルプラットフォームであるMoViDNNを提案する。 提案するプラットフォームは,DNNに基づくアプローチを客観的かつ主観的に評価することができる。 客観的評価では,実行時間,PSNR,SSIMなどの一般的な指標を報告する。 主観評価では平均スコアオピニオン(MOS)が報告される。 提案されたプラットフォームはhttps://github.com/cd-athena/MoViDNNで公開されている。

関連論文リスト

• MatchNAS: Optimizing Edge AI in Sparse-Label Data Contexts via Automating Deep Neural Network Porting for Mobile Deployment [54.77943671991863]
  MatchNASはDeep Neural Networksをモバイルデバイスに移植するための新しいスキームである。 ラベル付きデータと非ラベル付きデータの両方を用いて、大規模なネットワークファミリを最適化する。 そして、さまざまなハードウェアプラットフォーム用に調整されたネットワークを自動的に検索する。
  論文  参考訳（メタデータ） (2024-02-21T04:43:12Z)
• Improving Efficiency of DNN-based Relocalization Module for Autonomous Driving with Server-side Computing [7.387233493286731]
  ディープニューラルネットワーク(DNN)を利用した自律走行車におけるカメラ移動のための新しいフレームワークを提案する。 ニューラルネットワークの特定のモジュールをサーバに戦略的にオフロードし、異なるネットワークセグメンテーション方式でデータフレームの推測時間を評価する。
  論文  参考訳（メタデータ） (2023-12-01T03:16:10Z)
• Single Channel Speech Enhancement Using U-Net Spiking Neural Networks [2.436681150766912]
  音声強調(SE)は、信頼性の高い通信装置や頑健な音声認識システムに不可欠である。 U-Netアーキテクチャに基づくスパイキングニューラルネットワーク(SNN)を用いたSEに対する新しいアプローチを提案する。 SNNは音声などの時間次元のデータ処理に適しており、ニューロモルフィックハードウェア上でのエネルギー効率のよい実装で知られている。
  論文  参考訳（メタデータ） (2023-07-26T19:10:29Z)
• EdgeViTs: Competing Light-weight CNNs on Mobile Devices with Vision Transformers [88.52500757894119]
  自己注意に基づく視覚変換器(ViT)は、コンピュータビジョンにおける畳み込みニューラルネットワーク(CNN)に代わる、非常に競争力のあるアーキテクチャとして登場した。 われわれはEdgeViTsを紹介した。これは新しい軽量ViTのファミリーで、注目に基づく視覚モデルが初めて、最高の軽量CNNと競合することを可能にする。
  論文  参考訳（メタデータ） (2022-05-06T18:17:19Z)
• Smart at what cost? Characterising Mobile Deep Neural Networks in the wild [16.684419342012674]
  本稿では,野生におけるDeep Neural Network (DNN) の使用状況に関する総合的研究を行う。 われわれはGoogle Play Storeで最も人気のあるアプリの16万以上を分析している。 モバイルデプロイメントのコアコスト次元として,モデルのエネルギーフットプリントを測定します。
  論文  参考訳（メタデータ） (2021-09-28T18:09:29Z)
• Deep Time Delay Neural Network for Speech Enhancement with Full Data Learning [60.20150317299749]
  本稿では,全データ学習による音声強調のためのディープタイム遅延ニューラルネットワーク(TDNN)を提案する。 トレーニングデータを完全に活用するために,音声強調のための完全なデータ学習手法を提案する。
  論文  参考訳（メタデータ） (2020-11-11T06:32:37Z)
• Towards Real-Time DNN Inference on Mobile Platforms with Model Pruning and Compiler Optimization [56.3111706960878]
  ハイエンドなモバイルプラットフォームは、幅広いDeep Neural Network (DNN)アプリケーションのための主要なコンピューティングデバイスとして機能する。 これらのデバイス上の制約付き計算とストレージリソースは、リアルタイムの推論実行に重大な課題をもたらす。 モバイル端末上でのDNN実行を高速化するハードウェアフレンドリーな構造化モデルプルーニングとコンパイラ最適化手法を提案する。
  論文  参考訳（メタデータ） (2020-04-22T03:18:23Z)
• RTMobile: Beyond Real-Time Mobile Acceleration of RNNs for Speech Recognition [51.1437598405873]
  RTMobileは、モバイルプラットフォーム上でリアルタイムRNN推論を実現する最初の作業である。 GRU上でAdreno 640組み込みGPUを使用するRTMobileは、FPGAの以前の作業と比較すると、同じ推論時間を維持しながら、40$times$のエネルギー効率を向上させることができる。
  論文  参考訳（メタデータ） (2020-02-19T00:07:32Z)
• PatDNN: Achieving Real-Time DNN Execution on Mobile Devices with Pattern-based Weight Pruning [57.20262984116752]
  粗粒構造の内部に新しい次元、きめ細かなプルーニングパターンを導入し、これまで知られていなかった設計空間の点を明らかにした。 きめ細かいプルーニングパターンによって高い精度が実現されているため、コンパイラを使ってハードウェア効率を向上し、保証することがユニークな洞察である。
  論文  参考訳（メタデータ） (2020-01-01T04:52:07Z)

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。