論文の概要: Energy efficiency in Edge TPU vs. embedded GPU for computer-aided medical imaging segmentation and classification

• arxiv url: http://arxiv.org/abs/2311.12876v1
• Date: Mon, 20 Nov 2023 09:38:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 17:49:54.398338
• Title: Energy efficiency in Edge TPU vs. embedded GPU for computer-aided medical imaging segmentation and classification
• Title（参考訳）: コンピュータ支援医療画像分割と分類のためのエッジTPUと組み込みGPUのエネルギー効率
• Authors: Jos\'e Mar\'ia Rodr\'iguez Corral, Javier Civit-Masot, Francisco Luna-Perej\'on, Ignacio D\'iaz-Cano, Arturo Morgado-Est\'evez, Manuel Dom\'inguez-Morales
• Abstract要約: 眼底画像に基づく緑内障の診断を例として, 組込み基板上でリアルタイムでセグメンテーションと分類を行う可能性を示す。 組み込みアクセラレーションシステム(EAS)のメモリ制限と低処理能力は、ディープネットワークベースのシステムトレーニングでの使用を制限する。 機械学習(ML)アクセラレーターを搭載した2つのEASの時間とエネルギー特性を評価し,前報で開発した例診断ツールを実行する。
• 参考スコア（独自算出の注目度）: 0.9728436272434581
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this work, we evaluate the energy usage of fully embedded medical diagnosis aids based on both segmentation and classification of medical images implemented on Edge TPU and embedded GPU processors. We use glaucoma diagnosis based on color fundus images as an example to show the possibility of performing segmentation and classification in real time on embedded boards and to highlight the different energy requirements of the studied implementations. Several other works develop the use of segmentation and feature extraction techniques to detect glaucoma, among many other pathologies, with deep neural networks. Memory limitations and low processing capabilities of embedded accelerated systems (EAS) limit their use for deep network-based system training. However, including specific acceleration hardware, such as NVIDIA's Maxwell GPU or Google's Edge TPU, enables them to perform inferences using complex pre-trained networks in very reasonable times. In this study, we evaluate the timing and energy performance of two EAS equipped with Machine Learning (ML) accelerators executing an example diagnostic tool developed in a previous work. For optic disc (OD) and cup (OC) segmentation, the obtained prediction times per image are under 29 and 43 ms using Edge TPUs and Maxwell GPUs, respectively. Prediction times for the classification subsystem are lower than 10 and 14 ms for Edge TPUs and Maxwell GPUs, respectively. Regarding energy usage, in approximate terms, for OD segmentation Edge TPUs and Maxwell GPUs use 38 and 190 mJ per image, respectively. For fundus classification, Edge TPUs and Maxwell GPUs use 45 and 70 mJ, respectively.
• Abstract（参考訳）: 本研究では,Edge TPUおよび組み込みGPUプロセッサに実装された医用画像のセグメンテーションと分類の両方に基づいて,完全組み込み医療診断支援のエネルギー使用量を評価する。 眼底画像に基づく緑内障の診断を例として, 組込み基板上でリアルタイムにセグメンテーションと分類を行う可能性を示し, 検討した実装のエネルギー要求の相違を強調した。 その他のいくつかの研究は、深層神経ネットワークを用いた緑内障の検出にセグメンテーションと特徴抽出技術を用いている。 組み込みアクセラレーションシステム(EAS)のメモリ制限と低処理能力は、ディープネットワークベースのシステムトレーニングでの使用を制限する。 しかし、NVIDIAのMaxwell GPUやGoogleのEdge TPUのような特定のアクセラレーションハードウェアを含めると、複雑な事前学習ネットワークを使用した推論を極めて合理的な時間で実行することができる。 本研究では、機械学習(ML)アクセラレーターを搭載した2つのEASの時間とエネルギー特性を評価し、前報で開発した例診断ツールを実行する。 光学ディスク(od)とカップ(oc)セグメンテーションでは、画像当たりの予測時間は、エッジtpusとmaxwell gpuを用いてそれぞれ29ms以下、43ms以下である。 分類サブシステムの予測時間はEdge TPUとMaxwell GPUでそれぞれ10msと14ms以下である。 エネルギー使用量については、略して、odセグメンテーションエッジtpusとmaxwell gpuはそれぞれ画像あたり38と190mjを使用する。 ファンド分類では、Edge TPUとMaxwell GPUはそれぞれ45mJと70mJを使用する。

関連論文リスト

• FLEdge: Benchmarking Federated Machine Learning Applications in Edge Computing Systems [61.335229621081346]
  フェデレートラーニング(FL)は,ネットワークエッジ上での分散ディープラーニングのプライバシ強化を実現する上で,有効なテクニックとなっている。 本稿では,既存のFLベンチマークを補完するFLEdgeを提案する。
  論文  参考訳（メタデータ） (2023-06-08T13:11:20Z)
• Benchmarking Edge Computing Devices for Grape Bunches and Trunks Detection using Accelerated Object Detection Single Shot MultiBox Deep Learning Models [2.1922186455344796]
  この研究は、オブジェクト検出のための異なるプラットフォームのパフォーマンスをリアルタイムでベンチマークする。 著者らは、自然なVineデータセットを使用して、RetinaNet ResNet-50を微調整した。
  論文  参考訳（メタデータ） (2022-11-21T17:02:33Z)
• A Study on the Use of Edge TPUs for Eye Fundus Image Segmentation [0.3262230127283452]
  シングルボードコンピュータ(SBC)は、メモリと処理の制限のため、ディープネットワークのトレーニングに使用するのが難しい。 GoogleのEdge TPUは、複雑なトレーニング済みネットワークを使用したリアルタイム予測に適合する。
  論文  参考訳（メタデータ） (2022-07-26T09:35:22Z)
• Batch-efficient EigenDecomposition for Small and Medium Matrices [65.67315418971688]
  EigenDecomposition (ED)は多くのコンピュータビジョンアルゴリズムとアプリケーションの中心にある。 本稿では,コンピュータビジョンの応用シナリオに特化したQRベースのED手法を提案する。
  論文  参考訳（メタデータ） (2022-07-09T09:14:12Z)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• ETAD: A Unified Framework for Efficient Temporal Action Detection [70.21104995731085]
  時間的行動検出(TAD)のようなトリミングされていないビデオ理解は、しばしば計算資源に対する膨大な需要の苦痛に悩まされる。 我々は、効率的なエンド・ツー・エンドの時間的行動検出(ETAD)のための統合されたフレームワークを構築している。 ETADはTHUMOS-14とActivityNet-1.3の両方で最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-05-14T21:16:21Z)
• MAPLE-Edge: A Runtime Latency Predictor for Edge Devices [80.01591186546793]
  汎用ハードウェアの最先端遅延予測器であるMAPLEのエッジデバイス指向拡張であるMAPLE-Edgeを提案する。 MAPLEと比較して、MAPLE-Edgeはより小さなCPUパフォーマンスカウンタを使用して、ランタイムとターゲットデバイスプラットフォームを記述することができる。 また、共通ランタイムを共有するデバイスプール上でトレーニングを行うMAPLEとは異なり、MAPLE-Edgeは実行時に効果的に一般化できることを示す。
  論文  参考訳（メタデータ） (2022-04-27T14:00:48Z)
• Exploring Deep Neural Networks on Edge TPU [2.9573904824595614]
  本稿では、フィードフォワードニューラルネットワークにおけるGoogleのEdge TPUの性能について検討する。 We compare the energy efficiency of Edge TPU with widely-useed embedded CPU ARM Cortex-A53。
  論文  参考訳（メタデータ） (2021-10-17T14:01:26Z)
• Exploring Edge TPU for Network Intrusion Detection in IoT [2.8873930745906957]
  本稿では、ディープラーニングアプローチに基づいて、IoTのエッジに実用的なネットワーク侵入検知システム(NIDS)を実装するためのGoogleのEdge TPUについて検討する。 これら3つのメトリクスを調べるために、2つの主要なディープニューラルネットワークアーキテクチャの様々なスケールドモデルサイズが使用される。 Edge TPUベースの実装の性能は、エネルギー効率の良い組み込みCPU(ARM Cortex A53)と比較される
  論文  参考訳（メタデータ） (2021-03-30T12:43:57Z)
• An Evaluation of Edge TPU Accelerators for Convolutional Neural Networks [2.7584363116322863]
  Edge TPUは低消費電力のエッジデバイス用のアクセラレータで、CoralやPixelなどのさまざまなGoogle製品で広く使用されている。 私たちは、エッジtpusの3つのクラスを広範囲に評価し、さまざまなコンピューティングエコシステムをカバーしました。 我々は、アクセラレーターの主要なパフォーマンス指標を推定するために、高精度な学習機械学習モデルの開発に取り組みます。
  論文  参考訳（メタデータ） (2021-02-20T19:25:09Z)
• Efficient Video Semantic Segmentation with Labels Propagation and Refinement [138.55845680523908]
  本稿では,ハイブリッドGPU/CPUを用いた高精細ビデオのリアルタイムセマンティックセマンティックセマンティック化の問題に取り組む。 i) CPU上では、非常に高速な光フロー法であり、ビデオの時間的側面を利用して、あるフレームから次のフレームへ意味情報を伝達するために使用される。 高解像度フレーム(2048 x 1024)を持つ一般的なCityscapesデータセットでは、単一のGPUとCPU上で80から1000Hzの動作ポイントが提案されている。
  論文  参考訳（メタデータ） (2019-12-26T11:45:15Z)

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。