論文の概要: LeYOLO, New Embedded Architecture for Object Detection

• arxiv url: http://arxiv.org/abs/2406.14239v2
• Date: Tue, 03 Jun 2025 11:48:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 04:22:50.361415
• Title: LeYOLO, New Embedded Architecture for Object Detection
• Title（参考訳）: LeYOLO - オブジェクト検出のための新しい組込みアーキテクチャ
• Authors: Lilian Hollard, Lucas Mohimont, Nathalie Gaveau, Luiz Angelo Steffenel,
• Abstract要約: MSCOCOをベース検証セットとして用いたオブジェクト検出モデルに2つの重要な貢献点を紹介する。 まず,SSDLiteに匹敵する推論速度を維持する汎用検出フレームワークであるLeNeckを提案する。 第2に, YOLOアーキテクチャにおける計算効率の向上を目的とした, 効率的なオブジェクト検出モデルであるLeYOLOを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient computation in deep neural networks is crucial for real-time object detection. However, recent advancements primarily result from improved high-performing hardware rather than improving parameters and FLOP efficiency. This is especially evident in the latest YOLO architectures, where speed is prioritized over lightweight design. As a result, object detection models optimized for low-resource environments like microcontrollers have received less attention. For devices with limited computing power, existing solutions primarily rely on SSDLite or combinations of low-parameter classifiers, creating a noticeable gap between YOLO-like architectures and truly efficient lightweight detectors. This raises a key question: Can a model optimized for parameter and FLOP efficiency achieve accuracy levels comparable to mainstream YOLO models? To address this, we introduce two key contributions to object detection models using MSCOCO as a base validation set. First, we propose LeNeck, a general-purpose detection framework that maintains inference speed comparable to SSDLite while significantly improving accuracy and reducing parameter count. Second, we present LeYOLO, an efficient object detection model designed to enhance computational efficiency in YOLO-based architectures. LeYOLO effectively bridges the gap between SSDLite-based detectors and YOLO models, offering high accuracy in a model as compact as MobileNets. Both contributions are particularly well-suited for mobile, embedded, and ultra-low-power devices, including microcontrollers, where computational efficiency is critical.
• Abstract（参考訳）: ディープニューラルネットワークにおける効率的な計算は、リアルタイム物体検出に不可欠である。 しかし、近年の進歩は主にパラメータやFLOP効率を改善するよりも高性能なハードウェアの改善によるものである。 これは、軽量設計よりもスピードが優先される最新のYOLOアーキテクチャにおいて特に顕著である。 その結果、マイクロコントローラのような低リソース環境に最適化されたオブジェクト検出モデルは、あまり注目されなかった。 限られた計算能力を持つデバイスでは、既存のソリューションは主にSSDLiteまたは低パラメータの分類器の組み合わせに依存しており、YOLOのようなアーキテクチャと真に効率的な軽量検出器の間に顕著なギャップを形成している。 パラメータとFLOP効率に最適化されたモデルは、メインストリームのYOLOモデルに匹敵する精度を達成できるだろうか? そこで本研究では,MSCOCOをベース検証セットとして用いたオブジェクト検出モデルに対する2つの重要なコントリビューションを紹介する。 まず、SSDLiteに匹敵する推論速度を維持しつつ、精度を大幅に向上し、パラメータ数を削減する汎用検出フレームワークであるLeNeckを提案する。 第2に, YOLOアーキテクチャにおける計算効率の向上を目的とした, 効率的なオブジェクト検出モデルであるLeYOLOを提案する。 LeYOLOはSSDLiteベースの検出器とYOLOモデルのギャップを効果的に埋め、MobileNetsほどコンパクトなモデルで高い精度を提供する。 どちらのコントリビューションも、計算効率が重要なマイクロコントローラを含む、モバイル、組み込み、超低消費電力デバイスに特に適している。

関連論文リスト

• A lightweight model FDM-YOLO for small target improvement based on YOLOv8 [0.0]
  小さいターゲットは、低いピクセル数、複雑な背景、様々な射撃角度のために検出が困難である。 本稿では,小目標検出に焦点をあて,低計算制約下での物体検出手法について検討する。
  論文  参考訳（メタデータ） (2025-03-06T14:06:35Z)
• YOLO-TLA: An Efficient and Lightweight Small Object Detection Model based on YOLOv5 [19.388112026410045]
  YOLO-TLAは、YOLOv5上に構築された高度な物体検出モデルである。 まず、ネックネットワークピラミッドアーキテクチャにおいて、小さなオブジェクトに対する検出層を新たに導入する。 このモジュールはスライディングウィンドウの特徴抽出を使い、計算要求とパラメータ数の両方を効果的に最小化する。
  論文  参考訳（メタデータ） (2024-02-22T05:55:17Z)
• CNN-transformer mixed model for object detection [3.5897534810405403]
  本稿では,トランスを用いた畳み込みモジュールを提案する。 CNNが抽出した詳細特徴と変換器が抽出したグローバル特徴とを融合させることにより、モデルの認識精度を向上させることを目的とする。 Pascal VOCデータセットでの100ラウンドのトレーニングの後、結果の精度は81%に達し、resnet101[5]をバックボーンとして使用したRCNN[4]よりも4.6向上した。
  論文  参考訳（メタデータ） (2022-12-13T16:35:35Z)
• FlowNAS: Neural Architecture Search for Optical Flow Estimation [65.44079917247369]
  本研究では,フロー推定タスクにおいて,より優れたエンコーダアーキテクチャを自動で見つけるために,FlowNASというニューラルアーキテクチャ探索手法を提案する。 実験の結果、スーパーネットワークから受け継いだ重み付きアーキテクチャは、KITTI上で4.67%のF1-allエラーを達成していることがわかった。
  論文  参考訳（メタデータ） (2022-07-04T09:05:25Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• NAS-FCOS: Efficient Search for Object Detection Architectures [113.47766862146389]
  簡易なアンカーフリー物体検出器の特徴ピラミッドネットワーク (FPN) と予測ヘッドを探索し, より効率的な物体検出手法を提案する。 慎重に設計された検索空間、検索アルゴリズム、ネットワーク品質を評価するための戦略により、8つのV100 GPUを使用して、4日以内に最高のパフォーマンスの検知アーキテクチャを見つけることができる。
  論文  参考訳（メタデータ） (2021-10-24T12:20:04Z)
• Mitigating severe over-parameterization in deep convolutional neural networks through forced feature abstraction and compression with an entropy-based heuristic [7.503338065129185]
  本稿では,エントロピーに基づく畳み込み層推定(EBCLE)を提案する。 EBCLEを用いて訓練したより広いが浅いモデルの相対的有効性を強調する実証的証拠を提示する。
  論文  参考訳（メタデータ） (2021-06-27T10:34:39Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• EfficientPose: Efficient Human Pose Estimation with Neural Architecture Search [47.30243595690131]
  効率的なバックボーンと効率的なヘッドの2つの部分を含む、人間のポーズ推定を目的とした効率的なフレームワークを提案します。 我々の最小モデルは、MPIIで88.1%のPCKh@0.5の0.65 GFLOPしか持たず、我々の大モデルは2 GFLOPしか持たないが、その精度は最先端の大型モデルと競合する。
  論文  参考訳（メタデータ） (2020-12-13T15:38:38Z)
• Real-time object detection method based on improved YOLOv4-tiny [0.0]
  YOLOv4-tiny は YOLOv4 に基づいて提案され,ネットワーク構造をシンプルにし,パラメータを削減する。 まず、Yolov4-tinyの2つのCSPBlockモジュールの代わりにResNet-Dネットワークで2つのResBlock-Dモジュールを使用する。 補助ネットワークの設計では、グローバルな特徴を抽出するために5x5の受容場を得るために2つの連続した3x3畳み込みを使用し、より効果的な情報を抽出するためにチャネルアテンションと空間アテンションも使用される。
  論文  参考訳（メタデータ） (2020-11-09T08:26:28Z)
• FBNetV3: Joint Architecture-Recipe Search using Predictor Pretraining [65.39532971991778]
  サンプル選択とランキングの両方を導くことで、アーキテクチャとトレーニングのレシピを共同でスコアする精度予測器を提案する。 高速な進化的検索をCPU分で実行し、さまざまなリソース制約に対するアーキテクチャと準備のペアを生成します。 FBNetV3は最先端のコンパクトニューラルネットワークのファミリーを構成しており、自動と手動で設計された競合より優れている。
  論文  参考訳（メタデータ） (2020-06-03T05:20:21Z)

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。