論文の概要: A Near Sensor Edge Computing System for Point Cloud Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2207.05888v1
• Date: Tue, 12 Jul 2022 23:32:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-14 15:35:18.989842
• Title: A Near Sensor Edge Computing System for Point Cloud Semantic Segmentation
• Title（参考訳）: 点群セマンティックセマンティックセグメンテーションのための近接センサエッジ計算システム
• Authors: Lin Bai, Yiming Zhao and Xinming Huang
• Abstract要約: 範囲ビューに基づく軽量な点クラウドセマンティックセマンティックセマンティックネットワークを提案する。 我々のネットワークは,計算効率42.5 GOP/Wで,Xilinx DPU上で10フレーム/秒(fps)を達成した。
• 参考スコア（独自算出の注目度）: 12.997562735505364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud semantic segmentation has attracted attentions due to its robustness to light condition. This makes it an ideal semantic solution for autonomous driving. However, considering the large computation burden and bandwidth demanding of neural networks, putting all the computing into vehicle Electronic Control Unit (ECU) is not efficient or practical. In this paper, we proposed a light weighted point cloud semantic segmentation network based on range view. Due to its simple pre-processing and standard convolution, it is efficient when running on deep learning accelerator like DPU. Furthermore, a near sensor computing system is built for autonomous vehicles. In this system, a FPGA-based deep learning accelerator core (DPU) is placed next to the LiDAR sensor, to perform point cloud pre-processing and segmentation neural network. By leaving only the post-processing step to ECU, this solution heavily alleviate the computation burden of ECU and consequently shortens the decision making and vehicles reaction latency. Our semantic segmentation network achieved 10 frame per second (fps) on Xilinx DPU with computation efficiency 42.5 GOP/W.
• Abstract（参考訳）: 点雲セマンティックセグメンテーションは光条件に対する堅牢性から注目されている。 これにより、自動運転にとって理想的なセマンティックなソリューションとなる。 しかし、ニューラルネットワークの計算負荷と帯域幅の要求を考えると、全ての計算を車載電子制御ユニット(ECU)に組み込むことは効率的でも実用的でもない。 本稿では,範囲ビューに基づく軽量な点クラウドセマンティックセマンティック・セマンティック・ネットワークを提案する。 単純な前処理と標準の畳み込みのため、DPUのようなディープラーニングアクセラレータで実行する場合、効率的である。 さらに、自動運転車のための近接センサコンピューティングシステムも構築されている。 本システムでは、FPGAベースのディープラーニングアクセラレータコア(DPU)をLiDARセンサの横に配置し、ポイントクラウド前処理とセグメンテーションニューラルネットワークを実行する。 後処理のステップのみをECUに任せることで、このソリューションはECUの計算負担を軽減し、意思決定と車両の反応遅延を短縮する。 セマンティクスセグメンテーションネットワークは、xilinx dpu上で計算効率42.5 gop/wで10フレーム/秒(fps)を達成した。

関連論文リスト

• Latency optimized Deep Neural Networks (DNNs): An Artificial Intelligence approach at the Edge using Multiprocessor System on Chip (MPSoC) [1.949471382288103]
  モバイルデバイスにおけるエッジコンピューティング(Edge at Edge)は、この要件に対処するための最適化されたアプローチのひとつだ。 本研究では,低レイテンシ・電力最適化型スマートモバイルシステムの実現の可能性と課題について考察する。 組込みFPGAエッジデバイス上でのニューラルネットワーク(NN)の性能と実装可能性について論じる。
  論文  参考訳（メタデータ） (2024-07-16T11:51:41Z)
• Implementation of a perception system for autonomous vehicles using a detection-segmentation network in SoC FPGA [0.0]
  我々は,MultiTaskV3検出セグメンテーションネットワークを,単一アーキテクチャ内で両方の機能を実現する知覚システムの基礎として用いている。 システム全体の電力消費はCPUベースの実装に比べて比較的少ない。 また、オブジェクト検出のmAPの97%以上、画像分割のmIoUの90%以上を達成している。
  論文  参考訳（メタデータ） (2023-07-17T17:44:18Z)
• Analyzing Deep Learning Representations of Point Clouds for Real-Time In-Vehicle LiDAR Perception [2.365702128814616]
  本稿では,現代の深層ニューラルネットワークで使用されているLiDAR点群を3次元点群処理に応用した新しい計算分類法を提案する。 これにより、計算効率、メモリ要件、表現能力の点で共通の利点と限界を明らかにする。
  論文  参考訳（メタデータ） (2022-10-26T10:39:59Z)
• Efficient Dataset Distillation Using Random Feature Approximation [109.07737733329019]
  本稿では,ニューラルネットワークガウス過程(NNGP)カーネルのランダム特徴近似(RFA)を用いた新しいアルゴリズムを提案する。 我々のアルゴリズムは、KIP上で少なくとも100倍のスピードアップを提供し、1つのGPUで実行できる。 RFA蒸留 (RFAD) と呼ばれる本手法は, 大規模データセットの精度において, KIP や他のデータセット凝縮アルゴリズムと競合して動作する。
  論文  参考訳（メタデータ） (2022-10-21T15:56:13Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• 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)
• Multi-scale Interaction for Real-time LiDAR Data Segmentation on an Embedded Platform [62.91011959772665]
  LiDARデータのリアルタイムセマンティックセグメンテーションは、自動運転車にとって不可欠である。 ポイントクラウド上で直接動作する現在のアプローチでは、複雑な空間集約操作を使用する。 本稿では,マルチスケールインタラクションネットワーク(MINet)と呼ばれるプロジェクションベースの手法を提案する。
  論文  参考訳（メタデータ） (2020-08-20T19:06:11Z)
• Binary DAD-Net: Binarized Driveable Area Detection Network for Autonomous Driving [94.40107679615618]
  本稿では,二項化駆動型領域検出ネットワーク(バイナリDAD-Net)を提案する。 エンコーダ、ボトルネック、デコーダ部分の2重みとアクティベーションのみを使用する。 パブリックデータセット上で、最先端のセマンティックセグメンテーションネットワークより優れています。
  論文  参考訳（メタデータ） (2020-06-15T07:09:01Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)
• Key Points Estimation and Point Instance Segmentation Approach for Lane Detection [65.37887088194022]
  本稿では,PINet (Point Instance Network) と呼ばれるトラヒックライン検出手法を提案する。 PINetには、同時にトレーニングされる複数のスタックされた時間ガラスネットワークが含まれている。 PINetはTuSimpleとCulaneのデータセットで競合精度と偽陽性を達成する。
  論文  参考訳（メタデータ） (2020-02-16T15:51:30Z)

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。