論文の概要: A Comprehensive Study of Real-Time Object Detection Networks Across
Multiple Domains: A Survey
- arxiv url: http://arxiv.org/abs/2208.10895v1
- Date: Tue, 23 Aug 2022 12:01:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 12:32:40.814561
- Title: A Comprehensive Study of Real-Time Object Detection Networks Across
Multiple Domains: A Survey
- Title(参考訳): 複数の領域にわたるリアルタイム物体検出ネットワークに関する総合的研究
- Authors: Elahe Arani, Shruthi Gowda, Ratnajit Mukherjee, Omar Magdy,
Senthilkumar Kathiresan, Bahram Zonooz
- Abstract要約: ディープニューラルネットワークに基づくオブジェクト検出器は継続的に進化しており、様々な用途で使用されている。
安全クリティカルなアプリケーションは高い精度と信頼性を必要とするが、低遅延タスクにはリソースとエネルギー効率のネットワークが必要である。
既存のネットワークの基準ベンチマークは存在せず、新しいネットワークを設計するための標準評価ガイドラインも存在しない。
- 参考スコア(独自算出の注目度): 9.861721674777877
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep neural network based object detectors are continuously evolving and are
used in a multitude of applications, each having its own set of requirements.
While safety-critical applications need high accuracy and reliability,
low-latency tasks need resource and energy-efficient networks. Real-time
detectors, which are a necessity in high-impact real-world applications, are
continuously proposed, but they overemphasize the improvements in accuracy and
speed while other capabilities such as versatility, robustness, resource and
energy efficiency are omitted. A reference benchmark for existing networks does
not exist, nor does a standard evaluation guideline for designing new networks,
which results in ambiguous and inconsistent comparisons. We, thus, conduct a
comprehensive study on multiple real-time detectors (anchor-, keypoint-, and
transformer-based) on a wide range of datasets and report results on an
extensive set of metrics. We also study the impact of variables such as image
size, anchor dimensions, confidence thresholds, and architecture layers on the
overall performance. We analyze the robustness of detection networks against
distribution shifts, natural corruptions, and adversarial attacks. Also, we
provide a calibration analysis to gauge the reliability of the predictions.
Finally, to highlight the real-world impact, we conduct two unique case
studies, on autonomous driving and healthcare applications. To further gauge
the capability of networks in critical real-time applications, we report the
performance after deploying the detection networks on edge devices. Our
extensive empirical study can act as a guideline for the industrial community
to make an informed choice on the existing networks. We also hope to inspire
the research community towards a new direction in the design and evaluation of
networks that focuses on a bigger and holistic overview for a far-reaching
impact.
- Abstract(参考訳): ディープニューラルネットワークベースのオブジェクト検出器は継続的に進化し、多数のアプリケーションで使われ、それぞれが独自の要件を持っています。
安全クリティカルなアプリケーションは高い精度と信頼性を必要とするが、低遅延タスクにはリソースとエネルギー効率のネットワークが必要である。
リアルタイム検出器は、実世界のハイインパクト応用に欠かせないが、精度とスピードの向上を強調する一方で、汎用性、堅牢性、資源効率、エネルギー効率といった他の能力は省略されている。
既存のネットワークに対する基準ベンチマークは存在せず、新しいネットワークを設計するための標準評価ガイドラインも存在しない。
そこで我々は,様々なデータセット上で複数のリアルタイム検出器(アンカー,キーポイント,トランスフォーマ)について総合的な調査を行い,その結果について報告する。
また,画像サイズ,アンカー次元,信頼しきい値,アーキテクチャ層が全体のパフォーマンスに与える影響についても検討した。
我々は,分散シフト,自然破壊,敵攻撃に対する検出ネットワークの堅牢性を分析する。
また,予測の信頼性を評価するためのキャリブレーション解析を行う。
最後に、現実の影響を強調するために、自律運転とヘルスケアアプリケーションに関する2つのユニークなケーススタディを実施します。
重要なリアルタイムアプリケーションにおけるネットワークの能力を評価するため,エッジデバイスに検出ネットワークを配置した後の性能を報告する。
我々の広範な実証研究は、既存のネットワーク上で情報を得るための産業コミュニティのガイドラインとして機能する。
我々はまた、ネットワークの設計と評価における新たな方向性に向けて、研究コミュニティを刺激し、広範囲にわたる影響に対するより大きく総合的な概要に焦点を当てることを望んでいる。
関連論文リスト
- TII-SSRC-23 Dataset: Typological Exploration of Diverse Traffic Patterns
for Intrusion Detection [0.5261718469769447]
既存のデータセットは、しばしば不足しており、必要な多様性と現在のネットワーク環境との整合性が欠如している。
本稿では,これらの課題を克服するための新しい包括的データセットであるTII-SSRC-23を紹介する。
論文 参考訳(メタデータ) (2023-09-14T05:23:36Z) - Leveraging a Probabilistic PCA Model to Understand the Multivariate
Statistical Network Monitoring Framework for Network Security Anomaly
Detection [64.1680666036655]
確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。
2つの異なるデータセットを用いて数学的モデルを評価した。
論文 参考訳(メタデータ) (2023-02-02T13:41:18Z) - Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。
GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
論文 参考訳(メタデータ) (2022-11-15T13:00:25Z) - An Online Ensemble Learning Model for Detecting Attacks in Wireless
Sensor Networks [0.0]
我々は、アンサンブル学習として知られる重要な機械学習の概念を適用して、インテリジェントで効率的で、かつ、高機能な侵入検知システムを開発する。
本稿では,感覚データ解析における同種・異種のオンラインアンサンブルの応用について検討する。
提案されたオンラインアンサンブルのうち、アダプティブ・ランダム・フォレスト(ARF)とHoeffding Adaptive Tree(HAT)アルゴリズムを組み合わせた異種アンサンブルと、10モデルからなる同種アンサンブルHATは、それぞれ96.84%と97.2%という高い検出率を達成した。
論文 参考訳(メタデータ) (2022-04-28T23:10:47Z) - Triggering Failures: Out-Of-Distribution detection by learning from
local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。
私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。
3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文 参考訳(メタデータ) (2021-08-03T17:09:56Z) - Topological Uncertainty: Monitoring trained neural networks through
persistence of activation graphs [0.9786690381850356]
産業アプリケーションでは、オープンワールド設定から得られるデータは、ネットワークがトレーニングされたベンチマークデータセットと大きく異なる可能性がある。
活性化グラフのトポロジ的特性に基づいて訓練されたニューラルネットワークを監視する手法を開発している。
論文 参考訳(メタデータ) (2021-05-07T14:16:03Z) - Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。
最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。
それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
論文 参考訳(メタデータ) (2021-04-16T21:35:08Z) - Joint Learning of Neural Transfer and Architecture Adaptation for Image
Recognition [77.95361323613147]
現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。
本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。
本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
論文 参考訳(メタデータ) (2021-03-31T08:15:17Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Characterization and Identification of Cloudified Mobile Network
Performance Bottlenecks [0.0]
この研究は、5Gモバイルネットワークが経験できるパフォーマンスボトルネックの範囲を実験的に調査する最初の試みである。
特に,分散分析はボトルネック識別精度と帰納的計算・通信オーバーヘッドの両方において合理的に機能することがわかった。
論文 参考訳(メタデータ) (2020-07-22T14:46:51Z) - Feature Extraction for Novelty Detection in Network Traffic [18.687465197576415]
データ表現は、機械学習における新規性検出手法の性能において重要な役割を果たす。
我々は、オープンソースのツール、付随するPythonライブラリ、ネットワークトラフィックの新規検出のためのエンドツーエンドパイプラインをリリースします。
論文 参考訳(メタデータ) (2020-06-30T17:53:59Z)
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。