論文の概要: Visual Saliency-Guided Channel Pruning for Deep Visual Detectors in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2303.02512v1
• Date: Sat, 4 Mar 2023 22:08:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 19:09:36.668577
• Title: Visual Saliency-Guided Channel Pruning for Deep Visual Detectors in Autonomous Driving
• Title（参考訳）: 自律運転における深部視覚検出のための視力誘導型チャネルプルーニング
• Authors: Jung Im Choi and Qing Tian
• Abstract要約: ディープニューラルネットワーク(DNN)プルーニングは、リソース制約のあるデバイスにデプロイするデファクトコンポーネントになっている。 本稿では,視覚的検出のための勾配に基づく新しいサリエンシ尺度を提案し,それをチャネルプルーニングのガイドに利用する。 KITTIおよびCOCOトラヒックデータセットの実験は、最先端の競合するアプローチよりもプルーニング手法の有効性と優位性を実証している。
• 参考スコア（独自算出の注目度）: 3.236217153362305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural network (DNN) pruning has become a de facto component for deploying on resource-constrained devices since it can reduce memory requirements and computation costs during inference. In particular, channel pruning gained more popularity due to its structured nature and direct savings on general hardware. However, most existing pruning approaches utilize importance measures that are not directly related to the task utility. Moreover, few in the literature focus on visual detection models. To fill these gaps, we propose a novel gradient-based saliency measure for visual detection and use it to guide our channel pruning. Experiments on the KITTI and COCO traffic datasets demonstrate our pruning method's efficacy and superiority over state-of-the-art competing approaches. It can even achieve better performance with fewer parameters than the original model. Our pruning also demonstrates great potential in handling small-scale objects.
• Abstract（参考訳）: 深層ニューラルネットワーク(DNN)プルーニングは、推論時のメモリ要求と計算コストを削減できるため、リソース制約のあるデバイスにデプロイするデファクトコンポーネントになっている。 特にチャネルプルーニングは、構造的な性質と一般的なハードウェアへの直接的節約により、より人気を博した。 しかしながら、既存のプルーニングアプローチの多くは、タスクユーティリティに直接関係しない重要度測定を利用する。 さらに,視覚検出モデルに注目した文献は少ない。 これらのギャップを埋めるために,視覚検出のための新しい勾配に基づく塩分測定法を提案し,チャネルプルーニングのガイドに利用する。 KITTIおよびCOCOトラヒックデータセットの実験は、最先端の競合するアプローチよりもプルーニング手法の有効性と優位性を示す。 元のモデルよりも少ないパラメータでパフォーマンスも向上できる。 我々の刈り取りは、小規模なオブジェクトを扱う大きな可能性を示す。

関連論文リスト

• Separate, Dynamic and Differentiable (SMART) Pruner for Block/Output Channel Pruning on Computer Vision Tasks [6.199556554833467]
  Deep Neural Network(DNN)プルーニングは、モデルサイズを削減し、レイテンシを改善し、アクセラレータの消費電力を削減するための重要な戦略として登場した。 ブロックおよび出力チャネルプルーニングのための分離された動的かつ微分可能な()プルーナを導入する。 実験では,SMARTプルーナーは既存のプルーニング法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-03-29T04:28:06Z)
• A Fair Loss Function for Network Pruning [70.35230425589592]
  本稿では, 刈り込み時のバイアスの抑制に使用できる簡易な改良型クロスエントロピー損失関数である, 性能重み付き損失関数を提案する。 CelebA、Fitzpatrick17k、CIFAR-10データセットを用いた実験は、提案手法が単純で効果的なツールであることを実証している。
  論文  参考訳（メタデータ） (2022-11-18T15:17:28Z)
• Interpretations Steered Network Pruning via Amortized Inferred Saliency Maps [85.49020931411825]
  限られたリソースを持つエッジデバイスにこれらのモデルをデプロイするには、畳み込みニューラルネットワーク(CNN)圧縮が不可欠である。 本稿では,新しい視点からチャネルプルーニング問題に対処するために,モデルの解釈を活用して,プルーニング過程を解析する手法を提案する。 本研究では,実時間スムーズなスムーズなスムーズなスムーズなマスク予測を行うセレクタモデルを導入することで,この問題に対処する。
  論文  参考訳（メタデータ） (2022-09-07T01:12:11Z)
• ViNNPruner: Visual Interactive Pruning for Deep Learning [11.232234265070755]
  プルーニング技術は、性能を可能な限り小さくすることで、ディープニューラルネットワークを小さなサイズに縮小するのに役立つ。 我々は,最先端のプルーニングアルゴリズムを実装した視覚対話型プルーニングアプリケーションViNNPrunerと,その知識に基づいて手動プルーニングを行うオプションを提案する。
  論文  参考訳（メタデータ） (2022-05-31T12:21:38Z)
• CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
  本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。 CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。 CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
  論文  参考訳（メタデータ） (2021-10-21T06:26:31Z)
• Anchor Pruning for Object Detection [6.900480687179143]
  本稿では,一段アンカー型検出器における物体検出のためのアンカープルーニングを提案する。 対象検出ヘッド内のアンカーの多くは,精度を損なうことなく除去できることを示す。 さらなる再訓練により、アンカープルーニングは精度を向上させることができる。
  論文  参考訳（メタデータ） (2021-04-01T12:33:16Z)
• Network Pruning via Resource Reallocation [75.85066435085595]
  rEsource rEalLocation (PEEL) を経由したネットワーク・プルーニングという,シンプルで効果的なチャネル・プルーニング手法を提案する。 PEELは、最初に事前に定義されたバックボーンを構築し、その上でリソースの移動を行い、少ない情報層からより重要な層へ1ラウンドでパラメータをシフトする。 実験結果から,PEELによって発見された構造は,各種プルーニング条件下での最先端のプルーニングアルゴリズムと競合する性能を示した。
  論文  参考訳（メタデータ） (2021-03-02T16:28:10Z)
• Neural Pruning via Growing Regularization [82.9322109208353]
  プルーニングの2つの中心的な問題:プルーニングのスケジュールと重み付けの重要度だ。 具体的には, ペナルティ要因が増大するL2正規化変種を提案し, 精度が著しく向上することを示した。 提案アルゴリズムは,構造化プルーニングと非構造化プルーニングの両方において,大規模データセットとネットワークの実装が容易かつスケーラブルである。
  論文  参考訳（メタデータ） (2020-12-16T20:16:28Z)
• DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator Search [55.164053971213576]
  畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。 構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。 既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
  論文  参考訳（メタデータ） (2020-11-04T07:43:01Z)

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。