論文の概要: Efficient Object Detection in Autonomous Driving using Spiking Neural
Networks: Performance, Energy Consumption Analysis, and Insights into
Open-set Object Discovery
- arxiv url: http://arxiv.org/abs/2312.07466v1
- Date: Tue, 12 Dec 2023 17:47:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 15:03:06.104186
- Title: Efficient Object Detection in Autonomous Driving using Spiking Neural
Networks: Performance, Energy Consumption Analysis, and Insights into
Open-set Object Discovery
- Title（参考訳）: スパイクニューラルネットワークを用いた自律運転における効率的な物体検出:性能、エネルギー消費分析、オープンセット物体発見への洞察
- Authors: Aitor Martinez Seras, Javier Del Ser, Pablo Garcia-Bringas
- Abstract要約: 性能とエネルギー消費のバランスのとれたトレードオフは、自動運転車の持続可能性に不可欠である。
本研究では,スパイキングニューラルネットワークを用いて,高性能かつ効率的なモデルを実現することができることを示す。
- 参考スコア（独自算出の注目度）: 8.255197802529118
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Besides performance, efficiency is a key design driver of technologies
supporting vehicular perception. Indeed, a well-balanced trade-off between
performance and energy consumption is crucial for the sustainability of
autonomous vehicles. In this context, the diversity of real-world contexts in
which autonomous vehicles can operate motivates the need for empowering
perception models with the capability to detect, characterize and identify
newly appearing objects by themselves. In this manuscript we elaborate on this
threefold conundrum (performance, efficiency and open-world learning) for
object detection modeling tasks over image data collected from vehicular
scenarios. Specifically, we show that well-performing and efficient models can
be realized by virtue of Spiking Neural Networks (SNNs), reaching competitive
levels of detection performance when compared to their non-spiking counterparts
at dramatic energy consumption savings (up to 85%) and a slightly improved
robustness against image noise. Our experiments herein offered also expose
qualitatively the complexity of detecting new objects based on the preliminary
results of a simple approach to discriminate potential object proposals in the
captured image.
- Abstract（参考訳）: 性能の他に、効率性は車両の知覚をサポートする技術の主要な設計要因である。
実際、性能とエネルギー消費のバランスのとれたトレードオフは、自動運転車の持続可能性に不可欠である。
この文脈では、自動運転車が操作できる現実世界のコンテキストの多様性は、新たに現れた物体を自分で検出、特徴付け、識別する能力を持つ知覚モデルに力を与える必要性を動機付ける。
本稿では,車載シナリオから収集した画像データ上でのオブジェクト検出モデリングタスクに対する,この3倍のコンダンラム(性能,効率,オープンワールド学習)について詳述する。
具体的には,スピーキングニューラルネットワーク(snn)により,良好なパフォーマンスと効率のよいモデルを実現すること,劇的なエネルギー消費削減(最大85%)や画像雑音に対するロバスト性がわずかに向上した非スピーキングモデルと比較して,検出性能の競争力レベルに達すること,などが示されている。
また,本実験では,撮像画像中の潜在的オブジェクト提案を識別するための簡単なアプローチの予備的な結果に基づいて,新しいオブジェクトを検出する複雑さを定性的に明らかにした。
関連論文リスト
- Can foundation models actively gather information in interactive environments to test hypotheses? [56.651636971591536]
隠れた報酬関数に影響を与える要因をモデルが決定しなければならない枠組みを導入する。
自己スループットや推論時間の増加といったアプローチが情報収集効率を向上させるかどうかを検討する。
論文 参考訳（メタデータ） (2024-12-09T12:27:21Z) - AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。
さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
論文 参考訳（メタデータ） (2024-03-26T04:27:56Z) - Towards In-Vehicle Multi-Task Facial Attribute Recognition:
Investigating Synthetic Data and Vision Foundation Models [8.54530542456452]
車両の乗客の顔の特徴を認識する複雑なマルチタスクモデルを訓練するための合成データセットの有用性について検討する。
我々の研究は直感に反する発見を明らかにし、特に特定のマルチタスクコンテキストにおいて、ViTよりもResNetの方が優れた性能を示した。
論文 参考訳（メタデータ） (2024-03-10T04:17:54Z) - 3D Object Visibility Prediction in Autonomous Driving [6.802572869909114]
本稿では,新しい属性とその対応するアルゴリズムである3Dオブジェクトの可視性について述べる。
この属性の提案とその計算戦略は、下流タスクの能力を拡大することを目的としている。
論文 参考訳（メタデータ） (2024-03-06T13:07:42Z) - Elastic Interaction Energy-Informed Real-Time Traffic Scene Perception [8.429178814528617]
EIEGSegという名前のトポロジ対応エネルギー損失関数に基づくネットワークトレーニング戦略を提案する。
EIEGSegは、リアルタイムの交通シーン認識におけるマルチクラスセグメンテーションのために設計されている。
以上の結果から,EIEGSegは,特にリアルタイム軽量ネットワークにおいて,性能を継続的に向上することを示す。
論文 参考訳（メタデータ） (2023-10-02T01:30:42Z) - Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。
既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。
我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
論文 参考訳（メタデータ） (2023-08-29T07:15:57Z) - Robust and Controllable Object-Centric Learning through Energy-based
Models [95.68748828339059]
我々の研究は概念的にシンプルで一般的なアプローチであり、エネルギーベースモデルを通してオブジェクト中心の表現を学習する。
既存のアーキテクチャに容易に統合でき、高品質なオブジェクト中心表現を効果的に抽出できることを示す。
論文 参考訳（メタデータ） (2022-10-11T15:11:15Z) - Dynamic and Static Object Detection Considering Fusion Regions and
Point-wise Features [7.41540085468436]
本稿では,自動運転車の前方における静的・動的物体の検出手法を提案する。
われわれのアプローチは、検出された物体から、その位置、速度、方向などの他の特徴を得ることもできる。
提案手法の性能を示すために,ベンチマークデータセットと,自律プラットフォームから得られた実世界のデータを用いて評価する。
論文 参考訳（メタデータ） (2021-07-27T09:42:18Z) - Unadversarial Examples: Designing Objects for Robust Vision [100.4627585672469]
現代の機械学習アルゴリズムの感度を入力摂動に活かし、「ロバストオブジェクト」を設計するフレームワークを開発しています。
標準ベンチマークから(シミュレーション中)ロボット工学まで,さまざまな視覚ベースのタスクに対するフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2020-12-22T18:26:07Z) - Energy Drain of the Object Detection Processing Pipeline for Mobile
Devices: Analysis and Implications [77.00418462388525]
本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。
我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
論文 参考訳（メタデータ） (2020-11-26T00:32:07Z) - VATLD: A Visual Analytics System to Assess, Understand and Improve
Traffic Light Detection [15.36267013724161]
本稿では,自律運転アプリケーションにおける交通信号検知器の精度とロバスト性を評価・理解・改善する視覚分析システム,VATLDを提案する。
歪んだ表現学習は、人間に親しみやすい視覚的要約で人間の認知を強化するために、データ意味を抽出する。
また、視覚分析システムであるVATLDによる様々な性能改善戦略の有効性を実証し、自律運転における安全クリティカルな応用の実践的意義を示す。
論文 参考訳（メタデータ） (2020-09-27T22:39:00Z)
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。