論文の概要: ZippyPoint: Fast Interest Point Detection, Description, and Matching
through Mixed Precision Discretization
- arxiv url: http://arxiv.org/abs/2203.03610v1
- Date: Mon, 7 Mar 2022 18:59:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-08 16:14:31.560895
- Title: ZippyPoint: Fast Interest Point Detection, Description, and Matching
through Mixed Precision Discretization
- Title（参考訳）: ZippyPoint: 混合精度離散化による高速な関心点検出、記述、マッチング
- Authors: Simon Maurer, Menelaos Kanakis, Matteo Spallanzani, Ajad Chhatkuli,
Luc Van Gool
- Abstract要約: 本稿では,組込みプラットフォームでの使用を可能にするために,検出と記述に必要なニューラルネットワークの適応について検討する。
本稿では,バイナリ記述子正規化層の利用を提案し,特徴ある長さ不変なバイナリ記述子の生成を可能にする。
当社の効率的なネットワークであるZippyPointは、Apple M1 CPU上で47.2fpsで動作する。これは、他の学習された検出および記述モデルよりも最大5倍高速である。
- 参考スコア（独自算出の注目度）: 71.91942002659795
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The design of more complex and powerful neural network models has
significantly advanced the state-of-the-art in local feature detection and
description. These advances can be attributed to deeper networks, improved
training methodologies through self-supervision, or the introduction of new
building blocks, such as graph neural networks for feature matching. However,
in the pursuit of increased performance, efficient architectures that generate
lightweight descriptors have received surprisingly little attention. In this
paper, we investigate the adaptations neural networks for detection and
description require in order to enable their use in embedded platforms. To that
end, we investigate and adapt network quantization techniques for use in
real-time applications. In addition, we revisit common practices in descriptor
quantization and propose the use of a binary descriptor normalization layer,
enabling the generation of distinctive length-invariant binary descriptors.
ZippyPoint, our efficient network, runs at 47.2 fps on the Apple M1 CPU. This
is up to 5x faster than other learned detection and description models, making
it the only real-time learned network. ZippyPoint consistently outperforms all
other binary detection and descriptor methods in visual localization and
homography estimation tasks. Code and trained models will be released upon
publication.
- Abstract（参考訳）: より複雑で強力なニューラルネットワークモデルの設計は、局所的な特徴検出と記述において最先端の進歩を遂げた。
これらの進歩は、より深いネットワーク、セルフスーパービジョンによるトレーニング方法論の改善、あるいは機能マッチングのためのグラフニューラルネットワークのような新しいビルディングブロックの導入に起因する可能性がある。
しかし、性能向上を追求する中で、軽量ディスクリプタを生成する効率的なアーキテクチャは驚くほど注目されていない。
本稿では,組込みプラットフォームでの使用を可能にするために,検出と記述に必要なニューラルネットワークの適応について検討する。
そこで本研究では,ネットワーク量子化手法をリアルタイムアプリケーションに適用する。
さらに、ディスクリプタ量子化における一般的なプラクティスを再検討し、バイナリ記述子正規化層の使用を提案し、特徴ある長さ不変なバイナリ記述子の生成を可能にする。
私たちの効率的なネットワークZippyPointは、Apple M1 CPU上で47.2fpsで動作する。
これは、他の学習された検出および記述モデルよりも最大5倍高速で、これが唯一のリアルタイム学習ネットワークとなる。
zippypointは、視覚的ローカライゼーションとホモグラフィ推定タスクにおいて、他のすべてのバイナリ検出およびディスクリプタメソッドを一貫して上回っている。
コードとトレーニングされたモデルは公開時にリリースされる。
関連論文リスト
- Towards Efficient Verification of Quantized Neural Networks [9.352320240912109]
量子化は、深層ニューラルネットワークモデルにおける浮動小数点演算を整数演算に置き換える。
本研究では,勾配に基づく探索手法と有界伝播手法を用いて,効率を向上できることを示す。
論文 参考訳（メタデータ） (2023-12-20T00:43:13Z) - Quantization of Deep Neural Networks to facilitate self-correction of
weights on Phase Change Memory-based analog hardware [0.0]
乗法重みの集合を近似するアルゴリズムを開発する。
これらの重みは、性能の損失を最小限に抑えながら、元のネットワークの重みを表現することを目的としている。
その結果、オンチップパルス発生器と組み合わせると、私たちの自己補正ニューラルネットワークはアナログ認識アルゴリズムで訓練されたものと同等に機能することがわかった。
論文 参考訳（メタデータ） (2023-09-30T10:47:25Z) - Incrementally-Computable Neural Networks: Efficient Inference for
Dynamic Inputs [75.40636935415601]
ディープラーニングは、センサーデータやユーザ入力などの動的入力を効率的に処理するという課題に直面していることが多い。
インクリメンタルな計算アプローチを採用し、入力の変化に応じて計算を再利用する。
本稿では,この手法をトランスフォーマーアーキテクチャに適用し,修正入力の分数に比例した複雑性を持つ効率的なインクリメンタル推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-07-27T16:30:27Z) - A Lightweight, Efficient and Explainable-by-Design Convolutional Neural
Network for Internet Traffic Classification [9.365794791156972]
本稿では、インターネットトラフィック分類のための新しい軽量・効率的・eXplainable-by-design畳み込みニューラルネットワーク(LEXNet)を提案する。
LEXNetは(軽量で効率の良い目的のために)新しい残留ブロックと(説明可能性のために)プロトタイプ層に依存している。
商用グレードのデータセットに基づいて、LEXNetは最先端のニューラルネットワークと同じ精度を維持することに成功した。
論文 参考訳（メタデータ） (2022-02-11T10:21:34Z) - Quantized Neural Networks via {-1, +1} Encoding Decomposition and
Acceleration [83.84684675841167]
本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。
本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2021-06-18T03:11:15Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Multi-Task Network Pruning and Embedded Optimization for Real-time
Deployment in ADAS [0.0]
カメラベースのディープラーニングアルゴリズムは、自動運転システムにおける認識にますます必要である。
自動車業界からの制約は、限られた計算リソースで組み込みシステムを課すことでCNNの展開に挑戦します。
商用プロトタイププラットフォーム上で,このような条件下でマルチタスクCNNネットワークを埋め込む手法を提案する。
論文 参考訳（メタデータ） (2021-01-19T19:29:38Z) - Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。
本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。
モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文 参考訳（メタデータ） (2020-12-31T18:48:58Z) - Depthwise Non-local Module for Fast Salient Object Detection Using a
Single Thread [136.2224792151324]
本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。
提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
論文 参考訳（メタデータ） (2020-01-22T15:23:48Z) - Mixed-Precision Quantized Neural Network with Progressively Decreasing
Bitwidth For Image Classification and Object Detection [21.48875255723581]
ビット幅が徐々に増大する混合精度量子化ニューラルネットワークを提案し,精度と圧縮のトレードオフを改善する。
典型的なネットワークアーキテクチャとベンチマークデータセットの実験は、提案手法がより良い結果または同等の結果が得られることを示した。
論文 参考訳（メタデータ） (2019-12-29T14:11:33Z)
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。