論文の概要: TinySeg: Model Optimizing Framework for Image Segmentation on Tiny Embedded Systems
- arxiv url: http://arxiv.org/abs/2405.01857v1
- Date: Fri, 3 May 2024 05:18:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-06 13:45:11.334981
- Title: TinySeg: Model Optimizing Framework for Image Segmentation on Tiny Embedded Systems
- Title（参考訳）: TinySeg:Tiny組込みシステムにおける画像分割のためのモデル最適化フレームワーク
- Authors: Byungchul Chae, Jiae Kim, Seonyeong Heo,
- Abstract要約: TinySegは、小さな組み込みシステムでメモリ効率の高いイメージセグメンテーションを可能にする、新しいモデル最適化フレームワークである。
この研究は、既存の小さな機械学習フレームワーク上にTinySegを実装し、TinySegがイメージセグメンテーションモデルのピークメモリ使用量を39.3%削減できることを示した。
- 参考スコア（独自算出の注目度）: 1.3654846342364308
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image segmentation is one of the major computer vision tasks, which is applicable in a variety of domains, such as autonomous navigation of an unmanned aerial vehicle. However, image segmentation cannot easily materialize on tiny embedded systems because image segmentation models generally have high peak memory usage due to their architectural characteristics. This work finds that image segmentation models unnecessarily require large memory space with an existing tiny machine learning framework. That is, the existing framework cannot effectively manage the memory space for the image segmentation models. This work proposes TinySeg, a new model optimizing framework that enables memory-efficient image segmentation for tiny embedded systems. TinySeg analyzes the lifetimes of tensors in the target model and identifies long-living tensors. Then, TinySeg optimizes the memory usage of the target model mainly with two methods: (i) tensor spilling into local or remote storage and (ii) fused fetching of spilled tensors. This work implements TinySeg on top of the existing tiny machine learning framework and demonstrates that TinySeg can reduce the peak memory usage of an image segmentation model by 39.3% for tiny embedded systems.
- Abstract（参考訳）: イメージセグメンテーション(英: Image segmentation)は、無人航空機の自律ナビゲーションなど、様々な領域に適用可能なコンピュータビジョンタスクの1つである。
しかし,イメージセグメンテーションモデルでは,画像セグメンテーションのアーキテクチャ的特徴から,画像セグメンテーションのピークメモリ利用率が高いため,小さな組込みシステムでは容易に画像セグメンテーションが実現できない。
この研究により、イメージセグメンテーションモデルは、既存の小さな機械学習フレームワークで、必要以上に大きなメモリスペースを必要とすることがわかった。
すなわち、既存のフレームワークでは、画像分割モデルのメモリ空間を効果的に管理することはできない。
この研究は、小さな組み込みシステムに対してメモリ効率の高い画像分割を可能にする新しいモデル最適化フレームワークであるTinySegを提案する。
TinySegはターゲットモデルのテンソルの寿命を分析し、寿命の長いテンソルを識別する。
次にTinySegは、主に2つのメソッドでターゲットモデルのメモリ使用量を最適化する。
(i)テンソルがローカルまたはリモートストレージに流出し、
(二)こぼれたテンソルを溶かすこと。
この研究は、既存の小さな機械学習フレームワーク上にTinySegを実装し、TinySegが画像セグメントモデルのピークメモリ使用量を39.3%削減できることを示した。
関連論文リスト
- LiteNeXt: A Novel Lightweight ConvMixer-based Model with Self-embedding Representation Parallel for Medical Image Segmentation [2.0901574458380403]
医用画像分割のための軽量だが効率的な新しいモデル LiteNeXt を提案する。
LiteNeXtは、少量のパラメータ (0.71M) とギガ浮動小数点演算 (0.42) でスクラッチから訓練されている。
論文 参考訳（メタデータ） (2024-04-04T01:59:19Z) - OMG-Seg: Is One Model Good Enough For All Segmentation? [86.29839352757922]
OMG-Segは、タスク固有のクエリと出力を持つトランスフォーマーベースのエンコーダデコーダアーキテクチャである。
OMG-Segは10以上の異なるセグメンテーションタスクをサポートできるが、計算とパラメータのオーバーヘッドを大幅に削減できることを示す。
論文 参考訳（メタデータ） (2024-01-18T18:59:34Z) - Unsupervised Universal Image Segmentation [59.0383635597103]
本稿では,Unsupervised Universal Model (U2Seg) を提案する。
U2Segは、自己教師付きモデルを利用して、これらのセグメンテーションタスクの擬似意味ラベルを生成する。
次に、これらの擬似意味ラベル上でモデルを自己学習し、かなりの性能向上をもたらす。
論文 参考訳（メタデータ） (2023-12-28T18:59:04Z) - Self-Supervised Instance Segmentation by Grasping [84.2469669256257]
我々は、画像の前後から把握対象をセグメント化するためのグリップセグメンテーションモデルを学習する。
セグメント化されたオブジェクトを使用して、元のシーンからオブジェクトを"カット"し、それらを新しいシーンに"ペースト"することで、インスタンスの監視を生成する。
本稿では,従来の画像サブトラクション手法と比較して,グリップセグメント化モデルにより,グリップオブジェクトをセグメント化する場合の誤差が5倍になることを示す。
論文 参考訳（メタデータ） (2023-05-10T16:51:36Z) - MinUn: Accurate ML Inference on Microcontrollers [2.2638536653874195]
TinyMLとして知られる小さなデバイスで機械学習推論を実行することは、新たな研究分野である。
MinUnは、ARMマイクロコントローラの効率的なコードを生成するために、これらの問題に一様に対処する最初のTinyMLフレームワークである。
論文 参考訳（メタデータ） (2022-10-29T10:16:12Z) - A Model or 603 Exemplars: Towards Memory-Efficient Class-Incremental
Learning [56.450090618578]
CIL(Class-Incremental Learning)は、この要件を満たすために、限られたメモリサイズでモデルをトレーニングすることを目的としている。
モデルサイズを総予算にカウントし,メモリサイズに整合する手法を比較すると,保存モデルは常に機能しないことを示す。
本稿では,メモリ効率のよい拡張可能なMOdelのための MEMO という,シンプルで効果的なベースラインを提案する。
論文 参考訳（メタデータ） (2022-05-26T08:24:01Z) - Efficient Multi-Organ Segmentation Using SpatialConfiguration-Net with
Low GPU Memory Requirements [8.967700713755281]
本研究では,SpatialConfiguration-Net(SCN)に基づくマルチ組織セグメンテーションモデルを用いる。
セグメンテーションモデルのアーキテクチャを改良し,メモリフットプリントの削減を図った。
最後に、我々は最小限の推論スクリプトを実装し、実行時間と必要なGPUメモリの両方を最適化した。
論文 参考訳（メタデータ） (2021-11-26T17:47:10Z) - Efficient Classification of Very Large Images with Tiny Objects [15.822654320750054]
Zoom-Inネットワークと呼ばれるエンドツーエンドCNNモデルを用いて,大容量画像を小さなオブジェクトで分類する。
本研究では,2つの大画像データセットと1ギガピクセルデータセットについて評価を行った。
論文 参考訳（メタデータ） (2021-06-04T20:13:04Z) - BoundarySqueeze: Image Segmentation as Boundary Squeezing [104.43159799559464]
本研究では,オブジェクトとシーンの微細な高画質画像分割のための新しい手法を提案する。
形態素画像処理技術による拡張と浸食に着想を得て,画素レベルのセグメンテーション問題をスクイーズ対象境界として扱う。
提案手法は,COCO,Cityscapesのインスタンス・セグメンテーション・セグメンテーション・セグメンテーションにおいて大きく向上し,同一条件下での精度・速度ともに従来のPointRendよりも優れていた。
論文 参考訳（メタデータ） (2021-05-25T04:58:51Z) - Video Object Segmentation with Episodic Graph Memory Networks [198.74780033475724]
セグメント化モデルを更新する学習」という新しいアイデアに対処するために,グラフメモリネットワークが開発された。
我々は、完全に連結されたグラフとして構成されたエピソードメモリネットワークを利用して、フレームをノードとして保存し、エッジによってフレーム間の相関をキャプチャする。
提案したグラフメモリネットワークは、一発とゼロショットの両方のビデオオブジェクトセグメンテーションタスクをうまく一般化できる、巧妙だが原則化されたフレームワークを提供する。
論文 参考訳（メタデータ） (2020-07-14T13:19:19Z) - Compact retail shelf segmentation for mobile deployment [6.127963013089406]
私たちは、小売業界でよくある問題であるシェルフセグメンテーションに取り組んでいます。
目的は、シェルフエッジをセグメント化するだけでなく、モデルをモバイルデバイスにデプロイすることにある。
メモリ制限のあるデバイス上で高速に動作し、ラベル付きデータの少ない100イメージでトレーニングできる小型のコンパクトモデルを提案する。
論文 参考訳（メタデータ） (2020-04-27T18:54:36Z)
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。