論文の概要: Real-time pedestrian recognition on low computational resources

• arxiv url: http://arxiv.org/abs/2309.01353v1
• Date: Mon, 4 Sep 2023 04:34:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-06 19:52:53.685107
• Title: Real-time pedestrian recognition on low computational resources
• Title（参考訳）: 低計算量実時間歩行者認識
• Authors: Guifan Weng
• Abstract要約: 本稿では,小型の物理CPUシステムで動作する3つの手法について述べる。 その結果,3つの手法は,95%以上の精度でリアルタイム歩行者認識を実現することができた。 我々の手法は、互換性と汎用性の高い小型モバイルデバイスに容易に適用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pedestrian recognition has successfully been applied to security, autonomous cars, Aerial photographs. For most applications, pedestrian recognition on small mobile devices is important. However, the limitations of the computing hardware make this a challenging task. In this work, we investigate real-time pedestrian recognition on small physical-size computers with low computational resources for faster speed. This paper presents three methods that work on the small physical size CPUs system. First, we improved the Local Binary Pattern (LBP) features and Adaboost classifier. Second, we optimized the Histogram of Oriented Gradients (HOG) and Support Vector Machine. Third, We implemented fast Convolutional Neural Networks (CNNs). The results demonstrate that the three methods achieved real-time pedestrian recognition at an accuracy of more than 95% and a speed of more than 5 fps on a small physical size computational platform with a 1.8 GHz Intel i5 CPU. Our methods can be easily applied to small mobile devices with high compatibility and generality.
• Abstract（参考訳）: 歩行者認識は、セキュリティ、自動運転車、航空写真にうまく適用されている。 ほとんどのアプリケーションでは、小型モバイルデバイスでの歩行者認識が重要である。 しかし、コンピューティングハードウェアの限界は、この課題を難しくしている。 本研究では,計算資源の少ない小型コンピュータ上でのリアルタイム歩行者認識の高速化について検討する。 本稿では,小型CPUシステムにおける3つの手法について述べる。 まず、ローカルバイナリパターン(lbp)機能とadaboost分類器を改善した。 次に,向き付け勾配(hog)とサポートベクターマシンのヒストグラムを最適化した。 第3に,高速畳み込みニューラルネットワーク(cnns)を実装した。 その結果, 1.8GHzのIntel i5 CPUを搭載した小型計算プラットフォームにおいて, 95%以上の精度と5fps以上の速度でリアルタイムの歩行者認識を実現することができた。 本手法は,高い互換性と汎用性を有する小型モバイルデバイスに容易に適用できる。

関連論文リスト

• Machine Learning aided Computer Architecture Design for CNN Inferencing Systems [0.0]
  我々は,それぞれ5.03%,5.94%のMAPEを用いて,推論中のCNNのパワーと性能を予測する手法を開発した。 我々のアプローチは、コンピュータアーキテクトが開発初期段階のパワーと性能を見積もることを可能にし、多くのプロトタイプの必要性を減らします。
  論文  参考訳（メタデータ） (2023-08-10T06:17:46Z)
• 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)
• Fast Nearest Convolution for Real-Time Efficient Image Super-Resolution [36.72750683939934]
  我々は,NPUに親しみやすい高速最寄りの畳み込みモジュール(NCNet)を備えた単純な平らな畳み込みネットワークを提案し,リアルタイムに信頼性の高い超解像を実現する。 我々のモデルは8ビット量子化で簡単にモバイルデバイスにデプロイでき、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る。 我々のNCNetは、DIV2K 3xデータセットを用いて訓練し、検証し、他の効率的なSR手法との比較により、NCNetは推論時間が少なくて高い忠実性SR結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-08-24T15:23:51Z)
• MobileDenseNet: A new approach to object detection on mobile devices [9.05607520128194]
  本稿の主な目的は、高速かつリアルタイムな効率を維持しつつ、最先端のアルゴリズムの精度を高めることである。 組込みシステムに適したMobileDenseNetという新しいネットワークを構築した。 また,小型物体の検出を支援するモバイル機器用軽量ネックFCPNLiteを開発した。
  論文  参考訳（メタデータ） (2022-07-22T12:13:59Z)
• Enable Deep Learning on Mobile Devices: Methods, Systems, and Applications [46.97774949613859]
  ディープニューラルネットワーク(DNN)は人工知能(AI)分野において前例のない成功を収めた しかし、それらの優れた性能は、計算の複雑さのかなりのコストを伴っている。 本稿では,効率的なディープラーニング手法,システム,応用について概説する。
  論文  参考訳（メタデータ） (2022-04-25T16:52:48Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• MAPLE: Microprocessor A Priori for Latency Estimation [81.91509153539566]
  現代のディープニューラルネットワークは、低レイテンシとエネルギー消費を示しながら最先端の精度を示す必要がある。 評価されたアーキテクチャのレイテンシの測定は、NASプロセスにかなりの時間を加えます。 転送学習やドメイン適応に依存しない推定用マイクロプロセッサAプライオリティを提案する。
  論文  参考訳（メタデータ） (2021-11-30T03:52:15Z)
• MoViNets: Mobile Video Networks for Efficient Video Recognition [52.49314494202433]
  3D畳み込みニューラルネットワーク(CNN)は、ビデオ認識では正確だが、大きな計算とメモリ予算を必要とする。 本稿では,3次元CNNのピークメモリ使用量を大幅に削減しつつ,計算効率を向上させる3段階の手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:06:38Z)
• MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
  我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。 我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。 我々は精度-速度トレードオフの観点から最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-29T11:56:01Z)
• Accelerating Deep Learning Applications in Space [0.0]
  拘束デバイス上でのCNNを用いた物体検出の性能について検討する。 我々は、Single Shot MultiBox Detector (SSD)とリージョンベースのFully Convolutional Network (R-FCN)について詳しく検討する。 性能は、推測時間、メモリ消費、精度で測定される。
  論文  参考訳（メタデータ） (2020-07-21T21:06:30Z)
• RT3D: Achieving Real-Time Execution of 3D Convolutional Neural Networks on Mobile Devices [57.877112704841366]
  本稿では3次元CNNのためのモデル圧縮およびモバイルアクセラレーションフレームワークRT3Dを提案する。 3D CNNのリアルタイム実行は、市販のモバイル上で初めて実現された。
  論文  参考訳（メタデータ） (2020-07-20T02:05:32Z)

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。