論文の概要: Edge YOLO: Real-Time Intelligent Object Detection System Based on
Edge-Cloud Cooperation in Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2205.14942v1
- Date: Mon, 30 May 2022 09:16:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-01 04:22:19.979876
- Title: Edge YOLO: Real-Time Intelligent Object Detection System Based on
Edge-Cloud Cooperation in Autonomous Vehicles
- Title（参考訳）: Edge YOLO: 自動運転車におけるエッジクラウド協調に基づくリアルタイム知的物体検出システム
- Authors: Siyuan Liang, Hao Wu
- Abstract要約: 本稿では,エッジクラウド協調と再構成畳み込みニューラルネットワークに基づくオブジェクト検出(OD)システムを提案する。
このシステムは、クラウドコンピューティングリソースの計算能力と不均一な分散への過度な依存を効果的に回避することができる。
我々は,COCO 2017 および KITTI データセットにおける Edge YOLO の信頼性と効率を実験的に実証した。
- 参考スコア（独自算出の注目度）: 5.295478084029605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Driven by the ever-increasing requirements of autonomous vehicles, such as
traffic monitoring and driving assistant, deep learning-based object detection
(DL-OD) has been increasingly attractive in intelligent transportation systems.
However, it is difficult for the existing DL-OD schemes to realize the
responsible, cost-saving, and energy-efficient autonomous vehicle systems due
to low their inherent defects of low timeliness and high energy consumption. In
this paper, we propose an object detection (OD) system based on edge-cloud
cooperation and reconstructive convolutional neural networks, which is called
Edge YOLO. This system can effectively avoid the excessive dependence on
computing power and uneven distribution of cloud computing resources.
Specifically, it is a lightweight OD framework realized by combining pruning
feature extraction network and compression feature fusion network to enhance
the efficiency of multi-scale prediction to the largest extent. In addition, we
developed an autonomous driving platform equipped with NVIDIA Jetson for
system-level verification. We experimentally demonstrate the reliability and
efficiency of Edge YOLO on COCO2017 and KITTI data sets, respectively.
According to COCO2017 standard datasets with a speed of 26.6 frames per second
(FPS), the results show that the number of parameters in the entire network is
only 25.67 MB, while the accuracy (mAP) is up to 47.3%.
- Abstract（参考訳）: 交通監視や運転アシスタントといった自動運転車の要求がますます高まっている中で、深層学習に基づく物体検出(DL-OD)はインテリジェント交通システムにおいてますます魅力的になっている。
しかし, 既存のDL-OD方式では, スケジュールの低さや省エネ性が高いため, 責任, コスト削減, エネルギー効率のよい自動運転車システムを実現することは困難である。
本稿では,エッジクラウド協調と再構成畳み込みニューラルネットワークを用いた物体検出システムであるedge yoloを提案する。
このシステムは、クラウドコンピューティングリソースの計算能力と不均一な分散への過度な依存を効果的に回避することができる。
具体的には,pruning feature extraction network と compression feature fusion network を組み合わせることで,マルチスケール予測の効率を最大化する軽量な od フレームワークである。
さらに,NVIDIA Jetsonを用いた自律走行プラットフォームを開発し,システムレベルの検証を行った。
我々は, COCO2017 データセットと KITTI データセットにおける Edge YOLO の信頼性と効率を実験的に実証した。
COCO2017標準データセットの毎秒26.6フレーム(FPS)によると、ネットワーク全体のパラメータ数は25.67MB、精度(mAP)は47.3%である。
関連論文リスト
- YOLO-Vehicle-Pro: A Cloud-Edge Collaborative Framework for Object Detection in Autonomous Driving under Adverse Weather Conditions [8.820126303110545]
本稿では, YOLO-VehicleとYOLO-Vehicle-Proの2つの革新的なディープラーニングモデルを提案する。
YOLO-Vehicleは、自動運転シナリオに特化したオブジェクト検出モデルである。
YOLO-Vehicle-Proはこの基盤の上に構築されており、改良されたイメージデハージングアルゴリズムを導入している。
論文 参考訳（メタデータ） (2024-10-23T10:07:13Z) - Edge-Cloud Collaborative Motion Planning for Autonomous Driving with Large Language Models [3.6503689363051364]
EC-Driveは、データドリフト検出機能を備えた新しいエッジクラウド協調自動運転システムである。
本研究では,データドリフト検出機能を備えたエッジクラウド協調自動運転システムであるEC-Driveを紹介する。
論文 参考訳（メタデータ） (2024-08-19T13:19:15Z) - FedPylot: Navigating Federated Learning for Real-Time Object Detection in Internet of Vehicles [5.803236995616553]
フェデレートラーニングは、車載ネットワークで洗練された機械学習モデルをトレーニングするための有望なソリューションである。
我々は、フェデレーションオブジェクト検出実験をシミュレートする軽量MPIベースのプロトタイプであるFedPylotを紹介する。
本研究は, 精度, 通信コスト, 推論速度に影響を及ぼし, 自動運転車が直面する課題に対するバランスのとれたアプローチを示す。
論文 参考訳（メタデータ） (2024-06-05T20:06:59Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - 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) - 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) - An Efficient Deep Learning Approach Using Improved Generative
Adversarial Networks for Incomplete Information Completion of Self-driving [2.8504921333436832]
自律運転において不完全な車両点雲を高精度かつ効率的に修復するための効率的な深層学習手法を提案する。
改良されたPF-Netは、オリジナルのPF-Netと比べてほぼ同じ精度で19倍以上のスピードアップを達成することができる。
論文 参考訳（メタデータ） (2021-09-01T08:06:23Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - Conditionally Deep Hybrid Neural Networks Across Edge and Cloud [6.442928757682793]
本稿では,AIベースのフォグコンピューティングを実現するための条件付きディープハイブリッドニューラルネットワークを提案する。
提案するネットワークは、量子化された層と、エッジの早期出口と、クラウド上の完全精度の層で構成される分散的に展開することができる。
両層がエッジにある場合,提案した条件付きハイブリッドネットワークは,エッジでの推論の65%を処理し,計算エネルギーの5.5倍の削減を実現する。
論文 参考訳（メタデータ） (2020-05-21T18:18:43Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。