論文の概要: Exploring Effects of Computational Parameter Changes to Image
Recognition Systems
- arxiv url: http://arxiv.org/abs/2211.00471v2
- Date: Wed, 2 Nov 2022 02:43:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 12:00:57.915310
- Title: Exploring Effects of Computational Parameter Changes to Image
Recognition Systems
- Title(参考訳): 画像認識システムにおける計算パラメータ変化の影響の検討
- Authors: Nikolaos Louloudakis, Perry Gibson, Jos\'e Cano and Ajitha Rajan
- Abstract要約: リアルタイム画像認識タスクの失敗は、ハードウェアアクセラレータの誤ったマッピングによって起こりうる。
計算環境の変化に対するロバスト性を評価することが不可欠である。
- 参考スコア(独自算出の注目度): 0.802904964931021
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Image recognition tasks typically use deep learning and require enormous
processing power, thus relying on hardware accelerators like GPUs and FPGAs for
fast, timely processing. Failure in real-time image recognition tasks can occur
due to incorrect mapping on hardware accelerators, which may lead to timing
uncertainty and incorrect behavior. Owing to the increased use of image
recognition tasks in safety-critical applications like autonomous driving and
medical imaging, it is imperative to assess their robustness to changes in the
computational environment as parameters like deep learning frameworks, compiler
optimizations for code generation, and hardware devices are not regulated with
varying impact on model performance and correctness. In this paper we conduct
robustness analysis of four popular image recognition models (MobileNetV2,
ResNet101V2, DenseNet121 and InceptionV3) with the ImageNet dataset, assessing
the impact of the following parameters in the model's computational
environment: (1) deep learning frameworks; (2) compiler optimizations; and (3)
hardware devices. We report sensitivity of model performance in terms of output
label and inference time for changes in each of these environment parameters.
We find that output label predictions for all four models are sensitive to
choice of deep learning framework (by up to 57%) and insensitive to other
parameters. On the other hand, model inference time was affected by all
environment parameters with changes in hardware device having the most effect.
The extent of effect was not uniform across models.
- Abstract(参考訳): 画像認識タスクは一般的にディープラーニングを使用し、膨大な処理能力を必要とするため、高速でタイムリーな処理にはGPUやFPGAなどのハードウェアアクセラレータに依存する。
リアルタイム画像認識タスクの失敗は、ハードウェアアクセラレータの誤ったマッピングが原因で起こり、タイミングの不確実性と不正確な動作につながる可能性がある。
自律運転や医用イメージングといった安全クリティカルなアプリケーションにおける画像認識タスクの利用が増加しているため、ディープラーニングフレームワーク、コード生成のためのコンパイラ最適化、ハードウェアデバイスなどのパラメータとして、計算環境の変化に対するロバスト性を評価することが不可欠である。
本稿では,モバイルNetV2,ResNet101V2,DenseNet121,InceptionV3の4つの一般的な画像認識モデルのロバストネス解析を行い,(1)ディープラーニングフレームワーク,(2)コンパイラ最適化,(3)ハードウェアデバイスなど,モデルの計算環境における以下のパラメータの影響を評価する。
本稿では,各環境パラメータの変化に対する出力ラベルと推定時間の観点からモデル性能の感度を報告する。
4つのモデルの出力ラベル予測は、ディープラーニングフレームワークの選択(最大57%)に敏感であり、他のパラメータには敏感であることがわかった。
一方、モデル推論時間は、最も影響の大きいハードウェアデバイスの変化を伴う全ての環境パラメータの影響を受けていた。
効果の程度はモデル間で均一ではなかった。
関連論文リスト
- Learning to Find Missing Video Frames with Synthetic Data Augmentation:
A General Framework and Application in Generating Thermal Images Using RGB
Cameras [0.0]
本稿では,センサフレームレートのミスマッチによるデータ不足の問題に対処する。
本研究では, 条件付き生成逆数ネットワーク(cGAN)を用いて, 合成的かつ現実的な熱画像を作成することを提案する。
論文 参考訳(メタデータ) (2024-02-29T23:52:15Z) - Exchange means change: an unsupervised single-temporal change detection
framework based on intra- and inter-image patch exchange [44.845959222180866]
画像内および画像間パッチ交換(I3PE)に基づく教師なし単一時間CDフレームワークを提案する。
I3PEフレームワークは、損傷のない、ラベルなしの単一時間リモートセンシング画像上で、深い変化検出を訓練することができる。
I3PEは教師なしのアプローチよりも優れており、SOTA法では10.65%と6.99%のF1値の改善を実現している。
論文 参考訳(メタデータ) (2023-10-01T14:50:54Z) - Photonic Accelerators for Image Segmentation in Autonomous Driving and
Defect Detection [34.864059478265055]
フォトニックコンピューティングは、従来のデジタルハードウェアよりも高速でエネルギー効率のよいディープニューラルネットワーク(DNN)推論を約束する。
特定のセグメンテーションモデルは、フォトニック加速器上で実行される場合の精度(デジタルfloat32モデルと比較して)が無視できることを示す。
我々は,このようなコンピュータビジョンタスクへのフォトニック加速器の適用を改善するための課題と潜在的な最適化について論じる。
論文 参考訳(メタデータ) (2023-09-28T18:22:41Z) - An Ensemble Model for Distorted Images in Real Scenarios [0.0]
本稿では,オブジェクト検出器YOLOv7を用いてCDCOCOデータセットから歪み画像を検出する。
慎重に設計した最適化により,CDCOCOテストセット上での優れた性能を実現する。
我々のデノナイジング検出モデルは、歪んだ画像をデノナイズし、修復することができるため、様々な現実のシナリオや環境において有用である。
論文 参考訳(メタデータ) (2023-09-26T15:12:55Z) - DeltaNN: Assessing the Impact of Computational Environment Parameters on
the Performance of Image Recognition Models [2.179085971155749]
リアルタイム画像認識タスクの失敗は、ハードウェアアクセラレーターのサブ最適マッピングによって起こりうる。
差分テストフレームワーク DeltaNN を用いて,異なる計算環境パラメータが画像認識モデルの性能に与える影響を評価する。
論文 参考訳(メタデータ) (2023-06-05T23:07:01Z) - Agile gesture recognition for capacitive sensing devices: adapting
on-the-job [55.40855017016652]
本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。
コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。
機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
論文 参考訳(メタデータ) (2023-05-12T17:24:02Z) - Incremental Online Learning Algorithms Comparison for Gesture and Visual
Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。
以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文 参考訳(メタデータ) (2022-09-01T17:05:20Z) - Three things everyone should know about Vision Transformers [67.30250766591405]
トランスフォーマーアーキテクチャは コンピュータビジョンにおいて 急速に勢いを増しています
視覚変換器の変種をシンプルかつ容易に実装できる3つの洞察を提供する。
我々は、ImageNet-1kデータセットを用いて、これらの設計選択の影響を評価し、ImageNet-v2テストセットにおける結果を確認した。
論文 参考訳(メタデータ) (2022-03-18T08:23:03Z) - AdaViT: Adaptive Vision Transformers for Efficient Image Recognition [78.07924262215181]
AdaViTは、パッチ、セルフアテンションヘッド、およびトランスフォーマーブロックを使用するための利用ポリシーを導出する適応フレームワークである。
本手法は,0.8%の精度で,最先端のビジョントランスに比べて2倍以上の効率向上を実現している。
論文 参考訳(メタデータ) (2021-11-30T18:57:02Z) - Learning to Learn Parameterized Classification Networks for Scalable
Input Images [76.44375136492827]
畳み込みニューラルネットワーク(CNN)は、入力解像度の変化に関して予測可能な認識動作を持たない。
我々はメタラーナーを用いて、様々な入力スケールのメインネットワークの畳み込み重みを生成する。
さらに、異なる入力解像度に基づいて、モデル予測よりもフライでの知識蒸留を利用する。
論文 参考訳(メタデータ) (2020-07-13T04:27:25Z) - Event-based Asynchronous Sparse Convolutional Networks [54.094244806123235]
イベントカメラはバイオインスパイアされたセンサーで、非同期でスパースな「イベント」の形で画素ごとの明るさ変化に反応する。
同期画像のようなイベント表現で訓練されたモデルを、同じ出力を持つ非同期モデルに変換するための一般的なフレームワークを提案する。
理論的および実験的に、これは高容量同期ニューラルネットワークの計算複雑性と遅延を大幅に減少させることを示す。
論文 参考訳(メタデータ) (2020-03-20T08:39:49Z)
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。