論文の概要: AyE-Edge: Automated Deployment Space Search Empowering Accuracy yet Efficient Real-Time Object Detection on the Edge
- arxiv url: http://arxiv.org/abs/2408.05363v1
- Date: Thu, 25 Jul 2024 16:17:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 04:07:11.611011
- Title: AyE-Edge: Automated Deployment Space Search Empowering Accuracy yet Efficient Real-Time Object Detection on the Edge
- Title（参考訳）: AyE-Edge: エッジ上でのリアルタイムオブジェクト検出の正確さと効率的なリアルタイム検出を実現する自動デプロイスペース検索
- Authors: Chao Wu, Yifan Gong, Liangkai Liu, Mengquan Li, Yushu Wu, Xuan Shen, Zhimin Li, Geng Yuan, Weisong Shi, Yanzhi Wang,
- Abstract要約: AyE-Edgeは、自動デバイスデプロイメントスペースを探索する、この種の最初の開発ツールである。
AyE-Edgeはモバイルデバイス上で実施された大規模な実世界実験に優れています。
最先端のSOTA(State-of-the-art (SOTA))と比較すると、96.7%の消費電力削減が目覚ましい。
- 参考スコア（独自算出の注目度）: 43.53507577737864
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object detection on the edge (Edge-OD) is in growing demand thanks to its ever-broad application prospects. However, the development of this field is rigorously restricted by the deployment dilemma of simultaneously achieving high accuracy, excellent power efficiency, and meeting strict real-time requirements. To tackle this dilemma, we propose AyE-Edge, the first-of-this-kind development tool that explores automated algorithm-device deployment space search to realize Accurate yet power-Efficient real-time object detection on the Edge. Through a collaborative exploration of keyframe selection, CPU-GPU configuration, and DNN pruning strategy, AyE-Edge excels in extensive real-world experiments conducted on a mobile device. The results consistently demonstrate AyE-Edge's effectiveness, realizing outstanding real-time performance, detection accuracy, and notably, a remarkable 96.7% reduction in power consumption, compared to state-of-the-art (SOTA) competitors.
- Abstract（参考訳）: エッジ上のオブジェクト検出(Edge-OD)は、アプリケーションの将来性によって需要が高まっている。
しかし、この分野の開発は、高い精度、優れた電力効率、厳格なリアルタイム要求を満たすことの両立ジレンマによって厳格に制限されている。
このジレンマに対処するため,我々は,Edge上での高精度かつ高効率なリアルタイムオブジェクト検出を実現するために,自動アルゴリズムデバイス配置スペース探索を探索する,先駆的な開発ツールであるAyE-Edgeを提案する。
AyE-Edgeは、キーフレームの選択、CPU-GPU設定、DNNプルーニング戦略の協調的な探索を通じて、モバイルデバイス上で実行される広範な実世界実験に長けている。
結果は、AyE-Edgeの有効性を一貫して証明し、優れたリアルタイム性能、検出精度、そして特に、最先端(SOTA)競合と比較して96.7%の消費電力削減を実現している。
関連論文リスト
- Efficient Detection Framework Adaptation for Edge Computing: A Plug-and-play Neural Network Toolbox Enabling Edge Deployment [59.61554561979589]
エッジコンピューティングは、時間に敏感なシナリオでディープラーニングベースのオブジェクト検出をデプロイするための重要なパラダイムとして登場した。
既存のエッジ検出手法では、軽量モデルによる検出精度のバランスの難しさ、適応性の制限、現実の検証の不十分といった課題に直面している。
本稿では,汎用的なプラグイン・アンド・プレイコンポーネントを用いてエッジ環境にオブジェクト検出モデルを適用するエッジ検出ツールボックス(ED-TOOLBOX)を提案する。
論文 参考訳（メタデータ） (2024-12-24T07:28:10Z) - EdgeOAR: Real-time Online Action Recognition On Edge Devices [18.424406745729364]
本稿では,映像ストリームにおける行動の即時的分析と分類を含むフレームワークであるオンライン行動認識(OAR)の課題に対処する。
この問題を解決するために、エッジデバイス上でOAR用に特別に設計された新しいフレームワークであるEdgeARを設計しました。
提案手法では, 最新技術(SOTA)法と比較して, レイテンシを99.23%削減し, エネルギー消費を99.28%削減する。
論文 参考訳（メタデータ） (2024-12-02T08:35:22Z) - What is YOLOv9: An In-Depth Exploration of the Internal Features of the Next-Generation Object Detector [0.0]
本研究は, YOLOv9オブジェクト検出モデルに焦点をあて, アーキテクチャの革新, トレーニング方法論, 性能改善に焦点をあてる。
汎用高効率層集約ネットワークGELANやProgrammable Gradient Information PGIといった重要な進歩は、特徴抽出と勾配流を著しく向上させる。
本稿では, YOLOv9の内部特徴とその実世界の応用性について, リアルタイム物体検出の最先端技術として確立した。
論文 参考訳（メタデータ） (2024-09-12T07:46:58Z) - etuner: A Redundancy-Aware Framework for Efficient Continual Learning Application on Edge Devices [47.365775210055396]
推論精度、微調整実行時間、エネルギー効率を最適化する効率的なエッジ連続学習フレームワークであるETunerを提案する。
実験結果から,ETunerは全体の微調整実行時間を64%削減し,エネルギー消費量を56%削減し,即時モデル微調整アプローチよりも平均推定精度を1.75%向上した。
論文 参考訳（メタデータ） (2024-01-30T02:41:05Z) - Fast and Resource-Efficient Object Tracking on Edge Devices: A
Measurement Study [9.976630547252427]
マルチオブジェクトトラッキング(MOT)は動く物体を検出し、実際のシーンがビデオに写っているときにフレームによって位置をトラッキングする。
本稿では,オブジェクト追跡における性能問題とエッジ固有の最適化機会について検討する。
EMOと呼ばれるエッジ固有のパフォーマンス最適化戦略をいくつか提示し、リアルタイムオブジェクト追跡を高速化する。
論文 参考訳（メタデータ） (2023-09-06T02:25:36Z) - LightESD: Fully-Automated and Lightweight Anomaly Detection Framework
for Edge Computing [3.096615629099617]
異常検出は、サイバーセキュリティから製造業、金融など、幅広い領域で広く使われている。
ディープラーニングに基づく異常検出は、複雑なデータパターンを認識し、アウトリーチを正確に識別する能力に優れており、最近多くの注目を集めている。
我々は,LightESDと呼ばれる完全自動,軽量,統計的学習に基づく異常検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-20T18:48:41Z) - 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) - Achieving Real-Time LiDAR 3D Object Detection on a Mobile Device [53.323878851563414]
本稿では,強化学習技術を用いたネットワーク拡張とpruning検索を組み込んだコンパイラ対応統一フレームワークを提案する。
具体的には,リカレントニューラルネットワーク(RNN)を用いて,ネットワークの強化とプルーニングの両面での統一的なスキームを自動で提供する。
提案手法は,モバイルデバイス上でのリアルタイム3次元物体検出を実現する。
論文 参考訳（メタデータ） (2020-12-26T19:41:15Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。