論文の概要: Latent Distillation for Continual Object Detection at the Edge

• arxiv url: http://arxiv.org/abs/2409.01872v1
• Date: Tue, 3 Sep 2024 13:14:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 01:36:22.853840
• Title: Latent Distillation for Continual Object Detection at the Edge
• Title（参考訳）: エッジにおける連続物体検出のための潜水蒸留
• Authors: Francesco Pasti, Marina Ceccon, Davide Dalle Pezze, Francesco Paissan, Elisabetta Farella, Gian Antonio Susto, Nicola Bellotto,
• Abstract要約: 本研究では,物体検出のための連続学習(CLOD)シナリオにおいて,エッジデバイスのメモリと制約に対処する。 具体的には,エッジデバイス上でのCLODのためのオープンソース,軽量,高速な検出器であるNanoDetの適合性について検討する。 本稿では,最先端のCLアプローチで要求される操作数とメモリ量を削減できるLatent Distillation(LD)という新しいCL手法を提案する。
• 参考スコア（独自算出の注目度）: 7.775533837586895
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While numerous methods achieving remarkable performance exist in the Object Detection literature, addressing data distribution shifts remains challenging. Continual Learning (CL) offers solutions to this issue, enabling models to adapt to new data while maintaining performance on previous data. This is particularly pertinent for edge devices, common in dynamic environments like automotive and robotics. In this work, we address the memory and computation constraints of edge devices in the Continual Learning for Object Detection (CLOD) scenario. Specifically, (i) we investigate the suitability of an open-source, lightweight, and fast detector, namely NanoDet, for CLOD on edge devices, improving upon larger architectures used in the literature. Moreover, (ii) we propose a novel CL method, called Latent Distillation~(LD), that reduces the number of operations and the memory required by state-of-the-art CL approaches without significantly compromising detection performance. Our approach is validated using the well-known VOC and COCO benchmarks, reducing the distillation parameter overhead by 74\% and the Floating Points Operations~(FLOPs) by 56\% per model update compared to other distillation methods.
• Abstract（参考訳）: Object Detectionの文献には優れたパフォーマンスを達成する多くの方法が存在するが、データ分散のシフトに対処することは依然として困難である。 継続学習(CL)はこの問題に対する解決策を提供し、モデルが以前のデータのパフォーマンスを維持しながら新しいデータに適応できるようにする。 これは特に、自動車やロボット工学のような動的環境に共通するエッジデバイスに関係している。 本研究では,オブジェクト検出のための連続学習(CLOD)シナリオにおいて,エッジデバイスのメモリと計算の制約に対処する。 具体的には i) エッジデバイス上でのCLODのためのオープンソース,軽量,高速な検出器であるNanoDetの適合性を検討した。 さらに (II) 検出性能を著しく損なうことなく, 最先端のCLアプローチで要求される操作数とメモリ量を削減できる新しいCL法, Latent Distillation~(LD)を提案する。 提案手法はよく知られたVOCおよびCOCOベンチマークを用いて検証し, 他の蒸留法と比較して, 蒸留パラメータのオーバーヘッドを74 %, 浮動小数点演算(FLOPs)を56 %削減する。

関連論文リスト

• Hierarchical Features Matter: A Deep Exploration of GAN Priors for Improved Dataset Distillation [51.44054828384487]
  階層的生成潜在蒸留(H-GLaD)と呼ばれる新しいパラメータ化法を提案する。 本手法はGAN内の階層層を系統的に探索する。 さらに,合成データセット評価に伴う計算負担を軽減するために,新しいクラス関連特徴距離尺度を導入する。
  論文  参考訳（メタデータ） (2024-06-09T09:15:54Z)
• Adaptive Rentention & Correction for Continual Learning [114.5656325514408]
  連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。 アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-05-23T08:43:09Z)
• Enhancing Novel Object Detection via Cooperative Foundational Models [75.30243629533277]
  本稿では,既存のクローズドセット検出器をオープンセット検出器に変換する新しい手法を提案する。 私たちは、新しいクラスに対して7.2$ textAP_50 のマージンで現在の最先端を越えています。
  論文  参考訳（メタデータ） (2023-11-19T17:28:28Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Efficient Feature Distillation for Zero-shot Annotation Object Detection [12.116491963892821]
  我々はZAD(Zero-shot Object Detection)と呼ばれる未知の物体を検知するための新しい設定を提案する。 トレーニング画像に新しいオブジェクトが存在するようにすることで、ゼロショットオブジェクト検出設定を拡張する。 また、検出器が使用する追加情報を新しいカテゴリ名に制限する。
  論文  参考訳（メタデータ） (2023-03-21T19:02:36Z)
• Implicit Motion Handling for Video Camouflaged Object Detection [60.98467179649398]
  本稿では,新しいビデオカモフラージュオブジェクト検出(VCOD)フレームワークを提案する。 短期的および長期的整合性を利用して、ビデオフレームからカモフラージュされたオブジェクトを検出する。
  論文  参考訳（メタデータ） (2022-03-14T17:55:41Z)
• Multi-View Correlation Distillation for Incremental Object Detection [12.536640582318949]
  我々は,新しいtextbfMulti-textbfView textbfCorrelation textbfDistillation (MVCD) を用いたインクリメンタルオブジェクト検出法を提案する。
  論文  参考訳（メタデータ） (2021-07-05T04:36:33Z)
• Incremental Object Detection via Meta-Learning [77.55310507917012]
  本稿では,段階的タスク間の情報を最適に共有するように,モデル勾配を再形成するメタラーニング手法を提案する。 既存のメタ学習法と比較して,本手法はタスク非依存であり,オブジェクト検出のための高容量モデルに新たなクラスやスケールを段階的に追加することができる。
  論文  参考訳（メタデータ） (2020-03-17T13:40:00Z)

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。