論文の概要: A Study on Tiny YOLO for Resource Constrained Xray Threat Detection
- arxiv url: http://arxiv.org/abs/2309.15601v1
- Date: Wed, 27 Sep 2023 12:02:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 13:53:27.276301
- Title: A Study on Tiny YOLO for Resource Constrained Xray Threat Detection
- Title(参考訳): 資源拘束型X線脅威検出のためのTiny YOLOの検討
- Authors: Raghav Ambati, Ayon Borthakur
- Abstract要約: 本稿では,X線セキュリティ画像データからThreat Objectsを検出するために,エッジデバイスに適した複数のネットを実装し,解析する。
我々は,小型のYOLOv7モデルにおいて,スパイキング活性化関数の活性化にともなって,期待される変換誤差がゼロとなるように計算した代替活性化関数を利用する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper implements and analyses multiple nets to determine their
suitability for edge devices to solve the problem of detecting Threat Objects
from X-ray security imaging data. There has been ongoing research on applying
Deep Learning techniques to solve this problem automatedly. We utilize an
alternative activation function calculated to have zero expected conversion
error with the activation of a spiking activation function, in the our tiny
YOLOv7 model. This QCFS version of the tiny YOLO replicates the activation of
ultra-low latency and high-efficiency SNN architecture and achieves
state-of-the-art performance on CLCXray which is another open-source XRay
Threat Detection dataset, hence making improvements in the field of using
spiking for object detection. We also analyze the performance of a Spiking YOLO
network by converting our QCFS network into a Spiking Network.
- Abstract(参考訳): 本稿では,X線セキュリティ画像データからThreat Objectsを検出するために,エッジデバイスに適した複数のネットを実装し,解析する。
ディープラーニング技術を適用してこの問題を自動解決する研究が進行中である。
我々は,小型のYOLOv7モデルにおいて,スパイキング活性化関数のアクティベーションで期待される変換誤差をゼロにする代替活性化関数を利用する。
この小型YOLOのQCFSバージョンは、超低レイテンシと高効率SNNアーキテクチャの活性化を再現し、もう1つのオープンソースのXRay Threat検出データセットであるCLCXrayの最先端性能を達成する。
また、QCFSネットワークをスパイキングネットワークに変換することにより、スパイキングYOLOネットワークの性能も解析する。
関連論文リスト
- YOLOv9 for Fracture Detection in Pediatric Wrist Trauma X-ray Images [0.0]
本稿では, YOLOv9アルゴリズムモデルをコンピュータ支援診断(CAD)として骨折検出タスクに適用した最初の例である。
実験の結果、現在の最先端(SOTA)モデルのmAP 50-95と比較して、YOLOv9モデルは42.16%から43.73%に上昇し、3.7%の改善が見られた。
論文 参考訳(メタデータ) (2024-03-17T15:47:54Z) - MODIPHY: Multimodal Obscured Detection for IoT using PHantom
Convolution-Enabled Faster YOLO [11.445187704250033]
YOLOファントム(YOLO Phantom)は、世界最小のYOLOモデルの一つ。
最新の YOLOv8n モデルに匹敵する精度を実現している。
パラメータとモデルサイズを同時に43%削減します。
論文 参考訳(メタデータ) (2024-02-12T18:56:53Z) - $\textit{A Contrario}$ Paradigm for YOLO-based Infrared Small Target
Detection [0.9374652839580183]
YOLO検出器のトレーニングに$textita contrario$ decision criterionを導入する。
後者は、textitunexpectedness$の小さなターゲットを利用して、それらを複雑な背景から識別する。
論文 参考訳(メタデータ) (2024-02-03T23:02:02Z) - YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。
提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。
YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
論文 参考訳(メタデータ) (2024-01-30T18:59:38Z) - SATAY: A Streaming Architecture Toolflow for Accelerating YOLO Models on
FPGA Devices [48.47320494918925]
この作業は、超低レイテンシアプリケーションのために、最先端のオブジェクト検出モデルをFPGAデバイスにデプロイする際の課題に対処する。
YOLOアクセラレータにはストリーミングアーキテクチャ設計を採用しており、チップ上で完全なモデルを深くパイプライン化して実装しています。
データフロー方式でYOLOモデルの動作をサポートする新しいハードウェアコンポーネントを導入し、オンチップメモリリソースの制限に対処するために、オフチップメモリバッファリングを導入する。
論文 参考訳(メタデータ) (2023-09-04T13:15:01Z) - YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time
Object Detection [80.11152626362109]
YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。
私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。
私たちの仕事は、他のYOLOモデルのプラグイン・アンド・プレイ・モジュールとしても使えます。
論文 参考訳(メタデータ) (2023-08-10T10:12:27Z) - CARLA-GeAR: a Dataset Generator for a Systematic Evaluation of
Adversarial Robustness of Vision Models [61.68061613161187]
本稿では,合成データセットの自動生成ツールであるCARLA-GeARについて述べる。
このツールは、Python APIを使用して、CARLAシミュレータ上に構築されており、自律運転のコンテキストにおいて、いくつかのビジョンタスク用のデータセットを生成することができる。
本稿では,CARLA-GeARで生成されたデータセットが,現実世界の敵防衛のベンチマークとして今後どのように利用されるかを示す。
論文 参考訳(メタデータ) (2022-06-09T09:17:38Z) - A lightweight and accurate YOLO-like network for small target detection
in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。
YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。
YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文 参考訳(メタデータ) (2022-04-05T16:29:49Z) - Cooling-Shrinking Attack: Blinding the Tracker with Imperceptible Noises [87.53808756910452]
The method is proposed to deceive-of-the-the-art SiameseRPN-based tracker。
本手法は転送性に優れ,DaSiamRPN,DaSiamRPN-UpdateNet,DiMPなどの他のトップパフォーマンストラッカーを騙すことができる。
論文 参考訳(メタデータ) (2020-03-21T07:13:40Z)
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。