論文の概要: Moby: Empowering 2D Models for Efficient Point Cloud Analytics on the Edge

• arxiv url: http://arxiv.org/abs/2302.09221v3
• Date: Tue, 5 Sep 2023 02:17:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 06:36:15.441716
• Title: Moby: Empowering 2D Models for Efficient Point Cloud Analytics on the Edge
• Title（参考訳）: Moby: エッジ上の効率的なポイントクラウド分析のための2Dモデル
• Authors: Jingzong Li, Yik Hong Cai, Libin Liu, Yu Mao, Chun Jason Xue, Hong Xu
• Abstract要約: 3Dオブジェクト検出は多くのアプリケーションにおいて重要な役割を担っている。 計算能力が限られているため、高度に複雑なニューラルネットワークを用いてエッジ上で3D検出を実行することは困難である。 クラウドへのオフロードのような一般的なアプローチは、送信中の大量のポイントクラウドデータのために、大きな遅延オーバーヘッドを引き起こす。 提案するMobyは,我々のアプローチの実現可能性と可能性を示す新しいシステムである。
• 参考スコア（独自算出の注目度）: 11.588467580653608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D object detection plays a pivotal role in many applications, most notably autonomous driving and robotics. These applications are commonly deployed on edge devices to promptly interact with the environment, and often require near real-time response. With limited computation power, it is challenging to execute 3D detection on the edge using highly complex neural networks. Common approaches such as offloading to the cloud induce significant latency overheads due to the large amount of point cloud data during transmission. To resolve the tension between wimpy edge devices and compute-intensive inference workloads, we explore the possibility of empowering fast 2D detection to extrapolate 3D bounding boxes. To this end, we present Moby, a novel system that demonstrates the feasibility and potential of our approach. We design a transformation pipeline for Moby that generates 3D bounding boxes efficiently and accurately based on 2D detection results without running 3D detectors. Further, we devise a frame offloading scheduler that decides when to launch the 3D detector judiciously in the cloud to avoid the errors from accumulating. Extensive evaluations on NVIDIA Jetson TX2 with real-world autonomous driving datasets demonstrate that Moby offers up to 91.9% latency improvement with modest accuracy loss over state of the art.
• Abstract（参考訳）: 3dオブジェクト検出は、自動運転やロボット工学など、多くのアプリケーションで重要な役割を果たす。 これらのアプリケーションは、環境と迅速に対話するために一般的にエッジデバイスにデプロイされる。 計算能力が限られているため、高度に複雑なニューラルネットワークを用いてエッジ上で3d検出を行うことは困難である。 クラウドへのオフロードのような一般的なアプローチは、送信中の大量のポイントクラウドデータのために、大きな遅延オーバーヘッドを引き起こす。 ワイムピーエッジデバイスと計算集約型推論ワークロードの緊張を解消するため,高速な2次元検出による3次元境界ボックスの外挿の可能性を探る。 この目的のために,我々のアプローチの実現可能性と可能性を示す新しいシステムであるMobyを紹介する。 3dバウンディングボックスを効率的に高精度に生成する変換パイプラインを,3d検出器を動作させることなく2d検出結果に基づいて設計する。 さらに,誤差の蓄積を避けるため,クラウド上で適切に3d検出器を起動するタイミングを決定するフレームオフロードスケジューラを考案する。 NVIDIA Jetson TX2と現実の自律運転データセットの大規模な評価は、Mobyが91.9%のレイテンシ改善と、最先端の精度の低下を提供することを示している。

関連論文リスト

• DetZero: Rethinking Offboard 3D Object Detection with Long-term Sequential Point Clouds [55.755450273390004]
  既存のオフボード3D検出器は、無限の逐次点雲を利用するために常にモジュラーパイプライン設計に従っている。 その結果, 物体の運動状態は, 物体中心の精製段階において必然的な課題となること, 物体の運動状態は, 物体軌道を十分に生成できないこと, 物体中心の精製段階において必然的な課題となること, の2つの理由から, オフボード型3D検出器の完全なポテンシャルは明らかにされていないことがわかった。 これらの問題に対処するために,DetZero という,オフボード型3次元物体検出の新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-06-09T16:42:00Z)
• Sparse2Dense: Learning to Densify 3D Features for 3D Object Detection [85.08249413137558]
  LiDARが生成する点雲は、最先端の3Dオブジェクト検出器の主要な情報源である。 小さい、遠く、不完全な点の少ない物体は、しばしば検出するのが困難である。 Sparse2Denseは、潜在空間における点雲の密度化を学習することで、3D検出性能を効率的に向上する新しいフレームワークである。
  論文  参考訳（メタデータ） (2022-11-23T16:01:06Z)
• A Lightweight and Detector-free 3D Single Object Tracker on Point Clouds [50.54083964183614]
  生のLiDARスキャンにおける物体の点雲は、通常スパースで不完全であるため、正確な目標固有検出を行うのは簡単ではない。 DMTは、複雑な3D検出器の使用を完全に除去する3Dトラッキングネットワークである。
  論文  参考訳（メタデータ） (2022-03-08T17:49:07Z)
• PiFeNet: Pillar-Feature Network for Real-Time 3D Pedestrian Detection from Point Cloud [64.12626752721766]
  点雲からの歩行者検出に有効なリアルタイム3D検出器であるPiFeNetを提案する。 歩行者を検知する際の3次元物体検出フレームワークが直面する課題として, 柱の特徴の少ない点と, 点群における歩行者の占有面積の小さい点があげられる。 提案手法は,26fps/秒(FPS)で走行しながら,KITTI歩行者BEVと3Dリーダーボードで第1位にランクされ,Nuscenes検出ベンチマークの最先端性能を実現している。
  論文  参考訳（メタデータ） (2021-12-31T13:41:37Z)
• Anchor-free 3D Single Stage Detector with Mask-Guided Attention for Point Cloud [79.39041453836793]
  我々は、点雲をアンカーフリーで検出する新しい1段3次元検出器を開発した。 ボクセルをベースとしたスパース3D特徴量からスパース2D特徴量マップに変換することでこれを克服する。 検出信頼度スコアとバウンディングボックス回帰の精度との相関性を改善するために,IoUに基づく検出信頼度再校正手法を提案する。
  論文  参考訳（メタデータ） (2021-08-08T13:42:13Z)
• Fast and Furious: Real Time End-to-End 3D Detection, Tracking and Motion Forecasting with a Single Convolutional Net [93.51773847125014]
  本研究では,3Dセンサが捉えたデータを用いて,3D検出,追跡,動作予測を共同で推論する,新たなディープニューラルネットワークを提案する。 鳥の眼球を3次元の世界として表現し,空間と時間にまたがる3次元畳み込みを行う。
  論文  参考訳（メタデータ） (2020-12-22T22:43:35Z)
• Boundary-Aware Dense Feature Indicator for Single-Stage 3D Object Detection from Point Clouds [32.916690488130506]
  本稿では,3次元検出器が境界を意識して点雲の最も密集した領域に焦点を合わせるのを支援する普遍モジュールを提案する。 KITTIデータセットの実験により、DENFIはベースライン単段検出器の性能を著しく改善することが示された。
  論文  参考訳（メタデータ） (2020-04-01T01:21:23Z)

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。