Fugu-MT 論文翻訳(概要): MobileDenseNet: A new approach to object detection on mobile devices

論文の概要: MobileDenseNet: A new approach to object detection on mobile devices

arxiv url: http://arxiv.org/abs/2207.11031v1
Date: Fri, 22 Jul 2022 12:13:59 GMT
ステータス: 処理完了
システム内更新日: 2022-07-25 12:28:30.159056
Title: MobileDenseNet: A new approach to object detection on mobile devices
Title（参考訳）: MobileDenseNet: モバイルデバイスにおけるオブジェクト検出の新しいアプローチ
Authors: Mohammad Hajizadeh, Mohammad Sabokrou, Adel Rahmani
Abstract要約: 本稿の主な目的は、高速かつリアルタイムな効率を維持しつつ、最先端のアルゴリズムの精度を高めることである。組込みシステムに適したMobileDenseNetという新しいネットワークを構築した。また,小型物体の検出を支援するモバイル機器用軽量ネックFCPNLiteを開発した。
参考スコア（独自算出の注目度）: 9.05607520128194
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Object detection problem solving has developed greatly within the past few years. There is a need for lighter models in instances where hardware limitations exist, as well as a demand for models to be tailored to mobile devices. In this article, we will assess the methods used when creating algorithms that address these issues. The main goal of this article is to increase accuracy in state-of-the-art algorithms while maintaining speed and real-time efficiency. The most significant issues in one-stage object detection pertains to small objects and inaccurate localization. As a solution, we created a new network by the name of MobileDenseNet suitable for embedded systems. We also developed a light neck FCPNLite for mobile devices that will aid with the detection of small objects. Our research revealed that very few papers cited necks in embedded systems. What differentiates our network from others is our use of concatenation features. A small yet significant change to the head of the network amplified accuracy without increasing speed or limiting parameters. In short, our focus on the challenging CoCo and Pascal VOC datasets were 24.8 and 76.8 in percentage terms respectively - a rate higher than that recorded by other state-of-the-art systems thus far. Our network is able to increase accuracy while maintaining real-time efficiency on mobile devices. We calculated operational speed on Pixel 3 (Snapdragon 845) to 22.8 fps. The source code of this research is available on https://github.com/hajizadeh/MobileDenseNet.
Abstract（参考訳）: 物体検出問題の解決はここ数年で大きく進歩した。ハードウェアの制限が存在するインスタンスでは、より軽量なモデルが必要であり、また、モデルがモバイルデバイス用に調整される必要がある。本稿では,これらの問題に対処するアルゴリズムを作成する際の手法を評価する。本稿の主な目的は、高速かつリアルタイムな効率を維持しつつ、最先端アルゴリズムの精度を高めることである。 1段階のオブジェクト検出における最も重要な問題は、小さなオブジェクトと不正確なローカライズに関するものである。ソリューションとして、組み込みシステムに適したmobiledensenetという名の新しいネットワークを作成しました。また,小型物体の検出を支援するモバイル機器用軽量ネックFCPNLiteを開発した。組込みシステムでネックを引用した論文はほとんどない。ネットワークが他と違うのは、結合機能の利用です。ネットワークのヘッドに対する小さな変更は、速度やパラメータの制限を伴わずに精度を増幅した。要するに、挑戦的なCoCoとPascalのVOCデータセットへのフォーカスは、それぞれ24.8と76.8のパーセンテージだった。我々のネットワークはモバイルデバイス上でリアルタイムの効率を維持しながら精度を向上させることができる。 Pixel 3(Snapdragon 845)の動作速度を22.8fpsに計算した。この研究のソースコードはhttps://github.com/hajizadeh/mobiledensenetで入手できる。

関連論文リスト

Learning to Make Keypoints Sub-Pixel Accurate [80.55676599677824]
本研究は,2次元局所特徴の検出におけるサブピクセル精度の課題に対処する。本稿では,検出された特徴に対するオフセットベクトルを学習することにより,サブピクセル精度で検出器を拡張できる新しいネットワークを提案する。
論文参考訳（メタデータ） (2024-07-16T12:39:56Z)
Patch-based Selection and Refinement for Early Object Detection [20.838511460733038]
本稿では,イメージをパッチに分割し,様々なスケールのオブジェクトでパッチを選択し,小さなオブジェクトの詳細を精査し,できるだけ早く検出するアルゴリズムを提案する。提案手法は変圧器を用いたネットワーク上に構築され,拡散モデルを統合して検出精度を向上させる。提案アルゴリズムは,小型オブジェクトのmAPを1.03から8.93に向上させ,計算におけるデータボリュームを77%以上削減する。
論文参考訳（メタデータ） (2023-11-03T23:41:13Z)
SqueezerFaceNet: Reducing a Small Face Recognition CNN Even More Via Filter Pruning [55.84746218227712]
我々は,100万パラメータ未満の軽量顔認識ネットワークであるSqueezerFaceNetを開発した。性能を損なうことなく、さらに(最大40%)削減できることを示す。
論文参考訳（メタデータ） (2023-07-20T08:38:50Z)
Improved detection of small objects in road network sequences [0.0]
本稿では,畳み込みニューラルネットワークによる検出に基づく超解像プロセスを適用し,小型物体の検出手法を提案する。本研究は, 異なるスケールの要素を含むトラヒック画像の集合に対して, モデルにより得られた検出値に従って効率を試験するために試験された。
論文参考訳（メタデータ） (2021-05-18T10:13:23Z)
AmphibianDetector: adaptive computation for moving objects detection [0.913755431537592]
本稿では,偽陽性検出の回数を減らすためのオブジェクト検出手法を提案する。提案手法は、すでにオブジェクト検出タスクのために訓練されているCNNの修正である。提案手法の有効性をオープンデータセット"CDNet2014 pedestrian"で実証した。
論文参考訳（メタデータ） (2020-11-15T12:37:44Z)
Detecting soccer balls with reduced neural networks: a comparison of multiple architectures under constrained hardware scenarios [0.8808021343665321]
この研究は、制約のあるハードウェア環境をターゲットにした最近のニューラルネットワークの提案の比較研究を提供する。我々は、MobileNetV2とMobileNetV3モデルの複数のオープン実装を、基礎となる異なるアーキテクチャで訓練する。以上の結果から,MobileNetV3モデルは制約シナリオのみにおいて,mAPと推論時間とのトレードオフが良好であること,また,高幅乗算器を持つMobileNetV2はサーバ側推論に適していることが示唆された。
論文参考訳（メタデータ） (2020-09-28T23:26:25Z)
RT3D: Achieving Real-Time Execution of 3D Convolutional Neural Networks on Mobile Devices [57.877112704841366]
本稿では3次元CNNのためのモデル圧縮およびモバイルアクセラレーションフレームワークRT3Dを提案する。 3D CNNのリアルタイム実行は、市販のモバイル上で初めて実現された。
論文参考訳（メタデータ） (2020-07-20T02:05:32Z)
Making DensePose fast and light [78.49552144907513]
このタスクを解くことができる既存のニューラルネットワークモデルは、非常にパラメータ化されている。現在のモデルで端末のDense Pose推論を有効にするには、高価なサーバーサイドのインフラをサポートし、安定したインターネット接続が必要である。本研究では,DensePose R-CNNモデルのアーキテクチャを再設計することで,最終的なネットワークがその精度の大部分を維持しつつ,より軽量で高速なネットワークを実現することを目的とする。
論文参考訳（メタデータ） (2020-06-26T19:42:20Z)
MobileDets: Searching for Object Detection Architectures for Mobile Accelerators [61.30355783955777]
逆ボトルネック層は、モバイルデバイス上の最先端のオブジェクト検出モデルにおいて、主要なビルディングブロックとなっている。通常の畳み込みは、アクセラレーターにおけるオブジェクト検出の遅延精度トレードオフを高める強力なコンポーネントである。我々は、モバイルアクセラレーター全体で最先端の成果を得られるオブジェクト検出モデル、MobileDetsのファミリーを得る。
論文参考訳（メタデータ） (2020-04-30T00:21:30Z)
NETNet: Neighbor Erasing and Transferring Network for Better Single Shot Object Detection [170.30694322460045]
我々は、ピラミッドの特徴を再設定し、スケールアウェアな特徴を探索する新しいNeighbor Erasing and Transferring(NET)メカニズムを提案する。 NETNetと呼ばれるシングルショットネットワークは、スケールアウェアなオブジェクト検出のために構築されている。
論文参考訳（メタデータ） (2020-01-18T15:21:29Z)

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。