論文の概要: Optimizing Edge Offloading Decisions for Object Detection

• arxiv url: http://arxiv.org/abs/2410.18919v1
• Date: Thu, 24 Oct 2024 17:09:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 12:48:25.950764
• Title: Optimizing Edge Offloading Decisions for Object Detection
• Title（参考訳）: オブジェクト検出のためのエッジオフロード決定の最適化
• Authors: Jiaming Qiu, Ruiqi Wang, Brooks Hu, Roch Guerin, Chenyang Lu,
• Abstract要約: 組込みデバイスが搭載オブジェクト検出器に依存しているシナリオを考えるが、より強力なエッジサーバに検出をオフロードするオプションがある。 我々のゴールは、リソース制約下での全体的な検出精度を最大化するために、どのイメージをオフロードするかを特定することである。 本稿では,個々の画像のオフロードによる潜在的な精度向上を定量化する報奨基準を提案する。
• 参考スコア（独自算出の注目度）: 6.68185731019791
• License:
• Abstract: Recent advances in machine learning and hardware have produced embedded devices capable of performing real-time object detection with commendable accuracy. We consider a scenario in which embedded devices rely on an onboard object detector, but have the option to offload detection to a more powerful edge server when local accuracy is deemed too low. Resource constraints, however, limit the number of images that can be offloaded to the edge. Our goal is to identify which images to offload to maximize overall detection accuracy under those constraints. To that end, the paper introduces a reward metric designed to quantify potential accuracy improvements from offloading individual images, and proposes an efficient approach to make offloading decisions by estimating this reward based only on local detection results. The approach is computationally frugal enough to run on embedded devices, and empirical findings indicate that it outperforms existing alternatives in improving detection accuracy even when the fraction of offloaded images is small.
• Abstract（参考訳）: 近年,機械学習やハードウェアの進歩により,リアルタイム物体検出を精度良く行う組込みデバイスが開発されている。 組込みデバイスが搭載オブジェクト検出器に依存しているシナリオを考察するが、ローカル精度が低すぎると判断された場合、検出をより強力なエッジサーバにオフロードするオプションがある。 しかし、リソース制約は、エッジにオフロード可能な画像の数を制限する。 私たちのゴールは、どの画像をオフロードするかを特定し、それらの制約の下で全体の検出精度を最大化することです。 そこで本稿では,個々の画像のオフロードによる潜在的な精度向上を定量化する報奨基準を提案し,局所的な検出結果のみに基づいて報奨を推定することで,報奨決定を効果的に行う方法を提案する。 この手法は組込みデバイス上での動作に十分柔軟であり、実験的な結果は、オフロードされた画像のごく一部が小さい場合でも、検出精度を向上させるために既存の代替手段よりも優れていることを示している。

関連論文リスト

• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• ESOD: Efficient Small Object Detection on High-Resolution Images [36.80623357577051]
  小さなオブジェクトは通常、わずかに分散され、局所的にクラスタ化される。 画像の非対象背景領域において、大量の特徴抽出計算を無駄にする。 本稿では,検出器のバックボーンを再利用して,特徴レベルのオブジェクト探索とパッチスライシングを行う方法を提案する。
  論文  参考訳（メタデータ） (2024-07-23T12:21:23Z)
• Overcoming Scene Context Constraints for Object Detection in wild using Defilters [3.038642416291856]
  物体検出、認識、セグメンテーションなどの高レベルのコンピュータビジョンタスクは、特に画像歪みに敏感である。 物体検出に先立って画像歪みを補正する画像デファイラを提案する。 この方法では、非歪画像のトレーニング時にモデルが最適に実行されるため、オブジェクト検出精度が向上する。
  論文  参考訳（メタデータ） (2024-04-12T07:30:52Z)
• A Coarse to Fine Framework for Object Detection in High Resolution Image [8.316322664637537]
  オブジェクト検出の現在のアプローチでは、高解像度画像における小さなオブジェクトや大規模な分散問題を検出することはめったにない。 本稿では,オブジェクト検出の精度を,特に小さなオブジェクトや大規模分散シーンに対して向上させる,シンプルで効率的なアプローチを提案する。 提案手法は,高分解能画像における物体の空間と情報を有効利用することにより,より効率的に検出できる。
  論文  参考訳（メタデータ） (2023-03-02T13:04:33Z)
• End-to-End Instance Edge Detection [29.650295133113183]
  エッジ検出は長い間、コンピュータビジョンの分野で重要な問題であった。 従来の研究は、カテゴリ非依存またはカテゴリ対応エッジ検出を探索してきた。 本稿では,オブジェクトインスタンスのコンテキストにおけるエッジ検出について検討する。
  論文  参考訳（メタデータ） (2022-04-06T15:32:21Z)
• Real-World Semantic Grasping Detection [0.34410212782758054]
  本稿では,意味認識と把握検出を両立できるエンドツーエンドのセマンティック把握検出モデルを提案する。 また,検出を把握するためのセマンティック情報に基づき,単一のオブジェクトの特徴のみを保持するターゲット特徴フィルタリング機構を設計する。 実験結果から,コーネルグルーピングデータセットの98.38%の精度が得られた。
  論文  参考訳（メタデータ） (2021-11-20T05:57:22Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• You Better Look Twice: a new perspective for designing accurate detectors with reduced computations [56.34005280792013]
  BLT-netは、新しい低計算の2段階オブジェクト検出アーキテクチャである。 非常にエレガントな第1ステージを使用して、オブジェクトをバックグラウンドから分離することで、計算を削減します。 結果のイメージ提案は、高度に正確なモデルによって第2段階で処理される。
  論文  参考訳（メタデータ） (2021-07-21T12:39:51Z)
• Analysis of voxel-based 3D object detection methods efficiency for real-time embedded systems [93.73198973454944]
  本稿では, ボクセルをベースとした2つの3次元物体検出手法について述べる。 実験の結果,これらの手法は入力点雲が遠距離にあるため,遠距離の小さな物体を検出できないことが確認できた。 この結果から,既存手法の計算のかなりの部分は,検出に寄与しないシーンの位置に着目していることが示唆された。
  論文  参考訳（メタデータ） (2021-05-21T12:40:59Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)
• Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge Detection [63.942632088208505]
  本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。 これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
  論文  参考訳（メタデータ） (2020-03-28T18:51:43Z)

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。