論文の概要: Photonic Accelerators for Image Segmentation in Autonomous Driving and Defect Detection

• arxiv url: http://arxiv.org/abs/2309.16783v2
• Date: Tue, 3 Oct 2023 16:34:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 07:00:33.617405
• Title: Photonic Accelerators for Image Segmentation in Autonomous Driving and Defect Detection
• Title（参考訳）: 自律走行における画像分割のためのフォトニック加速器と欠陥検出
• Authors: Lakshmi Nair, David Widemann, Brad Turcott, Nick Moore, Alexandra Wleklinski, Darius Bunandar, Ioannis Papavasileiou, Shihu Wang, Eric Logan
• Abstract要約: フォトニックコンピューティングは、従来のデジタルハードウェアよりも高速でエネルギー効率のよいディープニューラルネットワーク(DNN)推論を約束する。 特定のセグメンテーションモデルは、フォトニック加速器上で実行される場合の精度(デジタルfloat32モデルと比較して)が無視できることを示す。 我々は,このようなコンピュータビジョンタスクへのフォトニック加速器の適用を改善するための課題と潜在的な最適化について論じる。
• 参考スコア（独自算出の注目度）: 34.864059478265055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Photonic computing promises faster and more energy-efficient deep neural network (DNN) inference than traditional digital hardware. Advances in photonic computing can have profound impacts on applications such as autonomous driving and defect detection that depend on fast, accurate and energy efficient execution of image segmentation models. In this paper, we investigate image segmentation on photonic accelerators to explore: a) the types of image segmentation DNN architectures that are best suited for photonic accelerators, and b) the throughput and energy efficiency of executing the different image segmentation models on photonic accelerators, along with the trade-offs involved therein. Specifically, we demonstrate that certain segmentation models exhibit negligible loss in accuracy (compared to digital float32 models) when executed on photonic accelerators, and explore the empirical reasoning for their robustness. We also discuss techniques for recovering accuracy in the case of models that do not perform well. Further, we compare throughput (inferences-per-second) and energy consumption estimates for different image segmentation workloads on photonic accelerators. We discuss the challenges and potential optimizations that can help improve the application of photonic accelerators to such computer vision tasks.
• Abstract（参考訳）: フォトニックコンピューティングは、従来のデジタルハードウェアよりも高速でエネルギー効率の高いディープニューラルネットワーク(DNN)推論を実現する。 フォトニックコンピューティングの進歩は、高速で正確でエネルギー効率の良い画像セグメンテーションモデルの実行に依存する自律運転や欠陥検出といった応用に大きな影響を与える可能性がある。 本稿では,フォトニック加速器のイメージセグメンテーションについて検討する。 a)フォトニック加速器に最も適した画像分割DNNアーキテクチャの種類 ロ フォトニック加速器上で異なる画像分割モデルを実行する際のスループット及びエネルギー効率並びにそれに伴うトレードオフ 具体的には,特定のセグメンテーションモデルがフォトニック加速器上で実行された場合の精度(デジタルfloat32モデルと比較して)が無視できることを示す。 また,モデルの性能が良くない場合の精度回復手法についても論じる。 さらに,光加速器における画像分割作業のスループット(1秒あたりの推論)とエネルギー消費の推定値を比較する。 このようなコンピュータビジョンタスクへのフォトニック加速器の適用を改善するための課題と潜在的な最適化について論じる。

関連論文リスト

• Scalable Back-Propagation-Free Training of Optical Physics-Informed Neural Networks [12.726911225088443]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)の解法において有望であることを示す。 フォトニックコンピューティングは、超高速な演算速度のために、この目標を達成するための潜在的なソリューションを提供する。 本稿では,シリコンフォトニックプラットフォーム上でのリアルタイムPINNのトレーニングのための,完全バックプロパゲーションフリー(BPフリー)かつ高給電性フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T23:45:23Z)
• PhotoGAN: Generative Adversarial Neural Network Acceleration with Silicon Photonics [2.9699290794642366]
  PhotoGANは、GANモデルの特殊な操作を扱うために設計された最初のシリコンフォトニック加速器である。 PhotoGANは最先端の加速器に比べて少なくとも4.4倍高いGOPSと2.18倍低いEPBを実現している。
  論文  参考訳（メタデータ） (2025-01-23T16:53:31Z)
• Numerical Pruning for Efficient Autoregressive Models [87.56342118369123]
  本稿では,デコーダのみを用いた変圧器を用いた自己回帰モデルの圧縮に着目する。 具体的には,ニュートン法とモジュールの数値スコアをそれぞれ計算する学習自由プルーニング法を提案する。 提案手法の有効性を検証するため,理論的支援と広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-12-17T01:09:23Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Efficient Visual State Space Model for Image Deblurring [83.57239834238035]
  畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。 本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。
  論文  参考訳（メタデータ） (2024-05-23T09:13:36Z)
• TeMPO: Efficient Time-Multiplexed Dynamic Photonic Tensor Core for Edge AI with Compact Slow-Light Electro-Optic Modulator [44.74560543672329]
  我々は,TMPOと呼ばれる時間多重化動的フォトニックテンソルアクセラレータを,クロス層デバイス/回路/アーキテクチャのカスタマイズにより提案する。 我々は,368.6TOPSピーク性能,22.3TOPS/Wエネルギー効率,1.2TOPS/mm$2$計算密度を実現した。 この研究は、多層共設計とドメイン固有のカスタマイズの力を示し、将来の電子フォトニクス加速器への道を開く。
  論文  参考訳（メタデータ） (2024-02-12T03:40:32Z)
• DeltaNN: Assessing the Impact of Computational Environment Parameters on the Performance of Image Recognition Models [2.379078565066793]
  リアルタイム画像認識タスクの失敗は、ハードウェアアクセラレーターのサブ最適マッピングによって起こりうる。 差分テストフレームワーク DeltaNN を用いて,異なる計算環境パラメータが画像認識モデルの性能に与える影響を評価する。
  論文  参考訳（メタデータ） (2023-06-05T23:07:01Z)
• GDIP: Gated Differentiable Image Processing for Object-Detection in Adverse Conditions [15.327704761260131]
  本稿では,ドメインに依存しないネットワークアーキテクチャであるGated Differentiable Image Processing (GDIP)ブロックを提案する。 提案するGDIPブロックは、下流の物体検出損失から画像を直接拡張することを学ぶ。 いくつかの最先端手法による検出性能の大幅な向上を示す。
  論文  参考訳（メタデータ） (2022-09-29T16:43:13Z)
• All-optical graph representation learning using integrated diffractive photonic computing units [51.15389025760809]
  フォトニックニューラルネットワークは、電子の代わりに光子を用いて脳にインスパイアされた計算を行う。 我々は、DGNN(diffractive graph neural network)と呼ばれる全光グラフ表現学習アーキテクチャを提案する。 ベンチマークデータベースを用いたノードおよびグラフレベルの分類タスクにおけるDGNN抽出機能の利用を実演し、優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-04-23T02:29:48Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。