論文の概要: Efficient Single-Image Depth Estimation on Mobile Devices, Mobile AI &
AIM 2022 Challenge: Report
- arxiv url: http://arxiv.org/abs/2211.04470v1
- Date: Mon, 7 Nov 2022 22:20:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 16:57:22.036232
- Title: Efficient Single-Image Depth Estimation on Mobile Devices, Mobile AI &
AIM 2022 Challenge: Report
- Title（参考訳）: モバイルデバイス、モバイルAI、AIM 2022における効率的な単一画像深度推定:レポート
- Authors: Andrey Ignatov and Grigory Malivenko and Radu Timofte and Lukasz
Treszczotko and Xin Chang and Piotr Ksiazek and Michal Lopuszynski and Maciej
Pioro and Rafal Rudnicki and Maciej Smyl and Yujie Ma and Zhenyu Li and Zehui
Chen and Jialei Xu and Xianming Liu and Junjun Jiang and XueChao Shi and
Difan Xu and Yanan Li and Xiaotao Wang and Lei Lei and Ziyu Zhang and Yicheng
Wang and Zilong Huang and Guozhong Luo and Gang Yu and Bin Fu and Jiaqi Li
and Yiran Wang and Zihao Huang and Zhiguo Cao and Marcos V. Conde and Denis
Sapozhnikov and Byeong Hyun Lee and Dongwon Park and Seongmin Hong and
Joonhee Lee and Seunggyu Lee and Se Young Chun
- Abstract要約: ディープラーニングベースの単一画像深度推定ソリューションは、IoTプラットフォームとスマートフォン上でリアルタイムのパフォーマンスを示すことができる。
このチャレンジで開発されたモデルは、AndroidやLinuxベースのモバイルデバイスとも互換性がある。
- 参考スコア（独自算出の注目度）: 108.88637766066759
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Various depth estimation models are now widely used on many mobile and IoT
devices for image segmentation, bokeh effect rendering, object tracking and
many other mobile tasks. Thus, it is very crucial to have efficient and
accurate depth estimation models that can run fast on low-power mobile
chipsets. In this Mobile AI challenge, the target was to develop deep
learning-based single image depth estimation solutions that can show a
real-time performance on IoT platforms and smartphones. For this, the
participants used a large-scale RGB-to-depth dataset that was collected with
the ZED stereo camera capable to generated depth maps for objects located at up
to 50 meters. The runtime of all models was evaluated on the Raspberry Pi 4
platform, where the developed solutions were able to generate VGA resolution
depth maps at up to 27 FPS while achieving high fidelity results. All models
developed in the challenge are also compatible with any Android or Linux-based
mobile devices, their detailed description is provided in this paper.
- Abstract（参考訳）: さまざまな深度推定モデルは、画像セグメンテーション、ボケ効果レンダリング、オブジェクトトラッキング、その他多くのモバイルタスクのために、多くのモバイルおよびIoTデバイスで広く使用されている。
したがって、低消費電力のモバイルチップセットで高速に実行できる効率的で正確な深度推定モデルを持つことは非常に重要である。
このMobile AIチャレンジでは、IoTプラットフォームやスマートフォン上でリアルタイムのパフォーマンスを示すことができるディープラーニングベースの単一画像深度推定ソリューションを開発することが目標だった。
このために参加者は、最大50メートルの物体の深度マップを生成できるzedステレオカメラで収集した大規模なrgb-to-depthデータセットを使用した。
すべてのモデルのランタイムはraspberry pi 4プラットフォーム上で評価され、開発したソリューションは最大27fpsのvga解像度深度マップを生成でき、高い忠実度を達成した。
このチャレンジで開発されたすべてのモデルは、AndroidやLinuxベースのモバイルデバイスとも互換性があり、詳細はこの論文で述べられている。
関連論文リスト
- Realistic Bokeh Effect Rendering on Mobile GPUs, Mobile AI & AIM 2022
challenge: Report [75.79829464552311]
この課題は、最新のスマートフォンモデルで実行できる効率的なエンドツーエンドのAIベースのレンダリングアプローチを開発することだった。
得られたモデルはKirin 9000のMali GPUで評価され、多くのディープラーニングオプティマスに対して優れた加速結果が得られた。
論文 参考訳（メタデータ） (2022-11-07T22:42:02Z) - Fast and Accurate Quantized Camera Scene Detection on Smartphones,
Mobile AI 2021 Challenge: Report [65.91472671013302]
我々は、量子化ディープラーニングベースのカメラシーン分類ソリューションを開発することを目的とした、最初のMobile AIチャレンジを紹介する。
提案されたソリューションは、すべての主要なモバイルAIアクセラレータと完全に互換性があり、最近のスマートフォンプラットフォームの大部分で100-200 FPS以上を実証することができる。
論文 参考訳（メタデータ） (2021-05-17T13:55:38Z) - Fast and Accurate Single-Image Depth Estimation on Mobile Devices,
Mobile AI 2021 Challenge: Report [105.32612705754605]
そこでは、エンドツーエンドのディープラーニングベースの深度推定ソリューションを開発することが目標です。
提案したソリューションは、Raspberry Pi 4上で最大10FPSのVGA解像度深度マップを生成でき、高い忠実度を達成できる。
論文 参考訳（メタデータ） (2021-05-17T13:49:57Z) - Fast Camera Image Denoising on Mobile GPUs with Deep Learning, Mobile AI
2021 Challenge: Report [64.09439666916465]
最初のMobile AIチャレンジでは、エンドツーエンドのディープラーニングベースの画像記述ソリューションの開発を目標としています。
提案したソリューションは任意のモバイルGPUと完全に互換性があり、480pの解像度画像を40-80msで処理できる。
論文 参考訳（メタデータ） (2021-05-17T13:27:56Z) - Learned Smartphone ISP on Mobile NPUs with Deep Learning, Mobile AI 2021
Challenge: Report [49.643297263102845]
この課題は、エンドツーエンドのディープラーニングベースの画像信号処理パイプラインの開発にある。
提案手法は60-100ミリ秒以下のフルHD写真を高忠実度で処理できる。
論文 参考訳（メタデータ） (2021-05-17T13:20:35Z)
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。