Fugu-MT 論文翻訳(概要): Teacher-Student Knowledge Distillation for Radar Perception on Embedded Accelerators

論文の概要: Teacher-Student Knowledge Distillation for Radar Perception on Embedded Accelerators

arxiv url: http://arxiv.org/abs/2303.07586v1
Date: Tue, 14 Mar 2023 02:12:00 GMT
ステータス: 処理完了
システム内更新日: 2023-03-15 16:44:04.996922
Title: Teacher-Student Knowledge Distillation for Radar Perception on Embedded Accelerators
Title（参考訳）: 組み込み加速器におけるレーダ知覚のための教師による知識蒸留
Authors: Steven Shaw, Kanishka Tyagi, Shan Zhang
Abstract要約: 低レベルレーダ認識タスクに対する教師による知識蒸留手法を提案する。提案した学生モデルは,教師モデルより100倍速い速度で実行可能であることを示す。
参考スコア（独自算出の注目度）: 3.4916763765390053
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Many radar signal processing methodologies are being developed for critical road safety perception tasks. Unfortunately, these signal processing algorithms are often poorly suited to run on embedded hardware accelerators used in automobiles. Conversely, end-to-end machine learning (ML) approaches better exploit the performance gains brought by specialized accelerators. In this paper, we propose a teacher-student knowledge distillation approach for low-level radar perception tasks. We utilize a hybrid model for stationary object detection as a teacher to train an end-to-end ML student model. The student can efficiently harness embedded compute for real-time deployment. We demonstrate that the proposed student model runs at speeds 100x faster than the teacher model.
Abstract（参考訳）: 多くのレーダ信号処理手法が道路安全認識タスクのために開発されている。残念なことに、これらの信号処理アルゴリズムは、しばしば自動車で使用される組み込みハードウェアアクセラレーターで動作するのに不適である。逆に、エンド・ツー・エンドの機械学習(ML)アプローチは、特別なアクセラレーターがもたらすパフォーマンス向上をよりよく活用する。本稿では,低レベルレーダ認識タスクに対する教師による知識蒸留手法を提案する。教師として静止物体検出のためのハイブリッドモデルを用いて、エンドツーエンドのML学生モデルを訓練する。学生は組込み計算を効果的に活用し、リアルタイムの展開を可能にする。提案した学生モデルは,教師モデルより100倍速い速度で実行可能であることを示す。

関連論文リスト

Performance Implications of Multi-Chiplet Neural Processing Units on Autonomous Driving Perception [12.416683044819955]
本稿では,新しいチップレットベースのニューラル・プロセッシング・ユニットを用いて,制約のある自動車環境における車載AI知覚負荷を高速化する手法について検討する。提案手法は, モノリシック加速器の設計に比べてスループットと処理エンジンの利用率が82%, 2.8倍向上することを実現する。
論文参考訳（メタデータ） (2024-11-24T22:59:11Z)
Guiding Attention in End-to-End Driving Models [49.762868784033785]
模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
論文参考訳（メタデータ） (2024-04-30T23:18:51Z)
TSCM: A Teacher-Student Model for Vision Place Recognition Using Cross-Metric Knowledge Distillation [6.856317526681759]
視覚的位置認識は、移動ロボットの自律的な探索とナビゲーションにおいて重要な役割を果たす。既存の手法では、強力だが大規模なネットワークを利用することでこれを克服している。本稿では,TSCMと呼ばれる高性能な教師と軽量な学生蒸留フレームワークを提案する。
論文参考訳（メタデータ） (2024-04-02T02:29:41Z)
Leveraging Self-Supervised Instance Contrastive Learning for Radar Object Detection [7.728838099011661]
本稿では,レーダ物体検出装置を事前訓練する際,RCLを例に紹介する。我々は、より少ないデータで学習するために、物体検出器のバックボーン、頭、首を事前訓練することを目指している。
論文参考訳（メタデータ） (2024-02-13T12:53:33Z)
Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。実世界のデータセットの実験では、大幅な改善が示されている。
論文参考訳（メタデータ） (2023-09-21T15:00:31Z)
Rethinking Closed-loop Training for Autonomous Driving [82.61418945804544]
本研究は,学習エージェントの成功に対する異なるトレーニングベンチマーク設計の影響を分析した最初の実証的研究である。複数ステップのルックアヘッドで計画を行うRLベースの駆動エージェントであるtrajectory value learning (TRAVL)を提案する。実験の結果,TRAVLはすべてのベースラインと比較してより速く学習でき,安全な操作が可能であることがわかった。
論文参考訳（メタデータ） (2023-06-27T17:58:39Z)
Coaching a Teachable Student [10.81020059614133]
本稿では,官能教師の指導から学生エージェントに指導する知識蒸留フレームワークを提案する。鍵となる洞察は、入力機能を教師の特権的なバードアイビュー(BEV)空間に合わせることを学ぶ学生を設計することである。難解な感覚運動学習課題を足場として,様々な補助的指導を施した指導機構を用いて,学生モデルを最適化する。
論文参考訳（メタデータ） (2023-06-16T17:59:38Z)
FastRLAP: A System for Learning High-Speed Driving via Deep RL and Autonomous Practicing [71.76084256567599]
本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
論文参考訳（メタデータ） (2023-04-19T17:33:47Z)
Lightning Fast Video Anomaly Detection via Adversarial Knowledge Distillation [106.42167050921718]
本稿では,ビデオ中の異常検出のための非常に高速なフレームレベルモデルを提案する。複数の高精度なオブジェクトレベルの教師モデルから知識を抽出することで、異常を検出することを学ぶ。提案モデルでは,これまで聞こえなかった1480 FPSの速度のため,速度と精度の最良のトレードオフを実現している。
論文参考訳（メタデータ） (2022-11-28T17:50:19Z)
Vision-Based Autonomous Car Racing Using Deep Imitative Reinforcement Learning [13.699336307578488]
深層模倣強化学習(DIRL)は、視覚入力を使用してアジャイルな自律レースを実現する。我々は,高忠実性運転シミュレーションと実世界の1/20スケールRC-car上での車載計算の制限により,本アルゴリズムの有効性を検証した。
論文参考訳（メタデータ） (2021-07-18T00:00:48Z)
IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文参考訳（メタデータ） (2021-01-20T00:31:52Z)

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。