論文の概要: DyRoNet: A Low-Rank Adapter Enhanced Dynamic Routing Network for Streaming Perception

• arxiv url: http://arxiv.org/abs/2403.05050v1
• Date: Fri, 8 Mar 2024 04:53:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-11 20:55:00.308715
• Title: DyRoNet: A Low-Rank Adapter Enhanced Dynamic Routing Network for Streaming Perception
• Title（参考訳）: DyRoNet: ストリーミング知覚のための低ランクアダプタ強化動的ルーティングネットワーク
• Authors: Xiang Huang, Zhi-Qi Cheng, Jun-Yan He, Chenyang Li, Wangmeng Xiang, Baigui Sun, Xiao Wu
• Abstract要約: Dynamic Router Network (DyRoNet)は、低ランクな動的ルーティングによってストリーミング知覚を向上するフレームワークである。 そのコア機能であるスピードルータモジュールは、入力データを最適な分岐ネットワークにインテリジェントに誘導し、パフォーマンスを最適化する。
• 参考スコア（独自算出の注目度）: 22.22125244224508
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous driving systems demand real-time, accurate perception to navigate complex environments. Addressing this, we introduce the Dynamic Router Network (DyRoNet), a framework that innovates with low-rank dynamic routing for enhanced streaming perception. By integrating specialized pre-trained branch networks, fine-tuned for various environmental conditions, DyRoNet achieves a balance between latency and precision. Its core feature, the speed router module, intelligently directs input data to the best-suited branch network, optimizing performance. The extensive evaluations reveal that DyRoNet adapts effectively to multiple branch selection strategies, setting a new benchmark in performance across a range of scenarios. DyRoNet not only establishes a new benchmark for streaming perception but also provides valuable engineering insights for future work. More project information is available at https://tastevision.github.io/DyRoNet/
• Abstract（参考訳）: 自動運転システムは複雑な環境をナビゲートするためにリアルタイムで正確な認識を必要とする。 そこで,我々はdyronet(dynamic router network)を紹介する。dyronetは低ランクの動的ルーティングを用いて,ストリーミングの知覚を高めるフレームワークである。 dyronetは、様々な環境条件のために微調整された特別な事前訓練された分岐ネットワークを統合することで、レイテンシと精度のバランスを実現している。 そのコア機能であるスピードルータモジュールは、入力データを最適な分岐ネットワークにインテリジェントに誘導し、パフォーマンスを最適化する。 広範な評価の結果、dyronetは複数のブランチ選択戦略に効果的に対応し、さまざまなシナリオで新しいベンチマークを設定できることが判明した。 dyronetはストリーミング知覚の新しいベンチマークを確立するだけでなく、将来的な作業に有用なエンジニアリング洞察を提供する。 プロジェクトの詳細はhttps://tastevision.github.io/dyronet/で確認できる。

関連論文リスト

• Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
  私たちは世界モデルを学ぶための新しいフレームワークを紹介します。 スケーラブルで堅牢なフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
  論文  参考訳（メタデータ） (2025-01-17T10:39:09Z)
• Intelligent OLSR Routing Protocol Optimization for VANETs [4.734135226897704]
  本稿では、最適化リンク状態ルーティング(OLSR)の最適パラメータ設定を扱う。 実験では、調整されたOLSR構成により、標準的なコメント要求(RFC 3626)よりも品質の高いサービス品質(QoS)が得られる。
  論文  参考訳（メタデータ） (2025-01-16T18:05:28Z)
• Towards Selection and Transition Between Behavior-Based Neural Networks for Automated Driving [0.11470070927586014]
  本稿では,複数の小型人工ニューラルネットワーク(ANN)を用いて異なる運転タスクを管理する行動セレクタを提案する。 重荷になりがちな1つの大きなネットワークに頼るのではなく、広範なトレーニングデータを必要とし、理解しづらい。 我々は、安定性と安全性を改善するために、現在の速度と方向を考慮しながら、行動間のスムーズな遷移を確保することに注力する。
  論文  参考訳（メタデータ） (2024-12-21T20:23:05Z)
• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• A Deep Reinforcement Learning Approach for Adaptive Traffic Routing in Next-gen Networks [1.1586742546971471]
  次世代ネットワークは、トラフィックダイナミクスに基づいたネットワーク構成を自動化し、適応的に調整する必要がある。 交通政策を決定する伝統的な手法は、通常は手作りのプログラミング最適化とアルゴリズムに基づいている。 我々は適応的なトラフィックルーティングのための深層強化学習(DRL)アプローチを開発する。
  論文  参考訳（メタデータ） (2024-02-07T01:48:29Z)
• A Data-driven Resilience Framework of Directionality Configuration based on Topological Credentials in Road Networks [0.5154704494242526]
  本稿では,最適化に基づくBrute Force検索手法と意思決定支援フレームワークを統合した新しい道路再構成手法を提案する。 提案フレームワークは、最適化プロセス中に生成されたシナリオからの入力を組み合わせ、マルチ基準決定分析アプローチを取り入れている。 道路構成のランク付けには、リッジ回帰などの機械学習アルゴリズムを使用して、各基準に対する最適な重みを決定する。
  論文  参考訳（メタデータ） (2024-01-14T21:22:22Z)
• Eco-Driving Control of Connected and Automated Vehicles using Neural Network based Rollout [0.0]
  接続された自動運転車は、エネルギー消費を最小化する可能性がある。 既存の決定論的手法は、一般に高い計算とメモリ要求に悩まされる。 本研究ではニューラルネットワークを介して実装された階層型マルチ水平最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-16T23:13:51Z)
• Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
  チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。 我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-08-17T02:01:18Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Multi-Agent Routing Value Iteration Network [88.38796921838203]
  疎結合グラフの学習値に基づいてマルチエージェントルーティングを行うことができるグラフニューラルネットワークに基づくモデルを提案する。 最大25ノードのグラフ上で2つのエージェントでトレーニングしたモデルでは,より多くのエージェントやノードを持つ状況に容易に一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-07-09T22:16:45Z)

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。