Fugu-MT 論文翻訳(概要): ELASTIC: Efficient Once For All Iterative Search for Object Detection on Microcontrollers

論文の概要: ELASTIC: Efficient Once For All Iterative Search for Object Detection on Microcontrollers

arxiv url: http://arxiv.org/abs/2503.21999v2
Date: Thu, 16 Oct 2025 03:38:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-17 18:56:32.478643
Title: ELASTIC: Efficient Once For All Iterative Search for Object Detection on Microcontrollers
Title（参考訳）: ELASTIC: マイクロコントローラ上でのオブジェクト検出の反復検索に一度だけ有効
Authors: Tony Tran, Qin Lin, Bin Hu,
Abstract要約: ELASTICは、モジュール間で周期的に最適化を交互に行う、ハードウェア対応の統一NASフレームワークである。進化的探索における集団パススルー機構は、探索段階間の高品質な候補を保持し、より高速な収束をもたらす。マイクロコントローラにデプロイすると、ELASTIC由来のモデルはAnalog DevicesのMCUSSDベースラインを上回り、エネルギーを最大71.6%削減し、レイテンシを最大2.4倍下げ、mAPを最大6.99ポイント改善した。
参考スコア（独自算出の注目度）: 5.162131184069973
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deploying high-performance object detectors on TinyML platforms poses significant challenges due to tight hardware constraints and the modular complexity of modern detection pipelines. Neural Architecture Search (NAS) offers a path toward automation, but existing methods either restrict optimization to individual modules, sacrificing cross-module synergy, or require global searches that are computationally intractable. We propose ELASTIC (Efficient Once for AlL IterAtive Search for ObjecT DetectIon on MiCrocontrollers), a unified, hardware-aware NAS framework that alternates optimization across modules (e.g., backbone, neck, and head) in a cyclic fashion. ELASTIC introduces a novel Population Passthrough mechanism in evolutionary search that retains high-quality candidates between search stages, yielding faster convergence, up to an 8% final mAP gain, and eliminates search instability observed without population passthrough. In a controlled comparison, empirical results show ELASTIC achieves +4.75% higher mAP and 2x faster convergence than progressive NAS strategies on SVHN, and delivers a +9.09% mAP improvement on PascalVOC given the same search budget. ELASTIC achieves 72.3% mAP on PascalVOC, outperforming MCUNET by 20.9% and TinyissimoYOLO by 16.3%. When deployed on MAX78000/MAX78002 microcontrollers, ELASTICderived models outperform Analog Devices' TinySSD baselines, reducing energy by up to 71.6%, lowering latency by up to 2.4x, and improving mAP by up to 6.99 percentage points across multiple datasets.
Abstract（参考訳）: TinyMLプラットフォームに高性能なオブジェクト検出器をデプロイすることは、ハードウェアの厳密な制約と、現代的な検出パイプラインのモジュール化の複雑さによって、大きな課題となる。ニューラルアーキテクチャサーチ(NAS)は自動化への道を提供するが、既存の手法では個々のモジュールへの最適化を制限したり、モジュール間のシナジーを犠牲にしたり、計算的に難解なグローバルサーチを必要とする。 ELASTIC(Efficient Once for AlL IterAtive Search for ObjecT DetectIon on MiCrocontrollers)を提案する。 ELASTICは、進化的探索において新しい集団パススルー機構を導入し、探索段階間の高品質な候補を保ち、より早く収束し、8%の最終的なmAPゲインを達成し、人口パススルーなしで観察される探索不安定性を排除した。制御された比較では、ELASTICはSVHNのプログレッシブNAS戦略よりも+4.75%高いmAPと2倍速い収束を実現し、同じ検索予算でPascalVOCに+9.09%のmAP改善を提供する。 ELASTICはPascalVOC上で72.3%のmAPを達成し、MCUNETを20.9%、TinyissimoYOLOを16.3%上回った。 MAX78000/MAX78002マイクロコントローラにデプロイすると、ELASTIC由来のモデルはAnalog DevicesのTinySSDベースラインを上回り、エネルギーを最大71.6%削減し、レイテンシを最大2.4倍下げ、mAPを最大6.99ポイント改善した。

関連論文リスト

Efficient Global Neural Architecture Search [2.0973843981871574]
本稿では,異なるネットワークに対する可変トレーニングスキームを用いたアーキテクチャ対応近似を提案する。提案するフレームワークは,CIFAR-10,CIFAR-100,FashionMNISTデータセットに対して高い競争力を持ちながら,EMNISTとKMNISTの新たな最先端を実現する。
論文参考訳（メタデータ） (2025-02-05T19:10:17Z)
ArchGym: An Open-Source Gymnasium for Machine Learning Assisted Architecture Design [52.57999109204569]
ArchGymは、さまざまな検索アルゴリズムをアーキテクチャシミュレータに接続するオープンソースのフレームワークである。我々は、カスタムメモリコントローラ、ディープニューラルネットワークアクセラレータ、AR/VRワークロード用のカスタムSOCを設計する際に、複数のバニラおよびドメイン固有の検索アルゴリズムにわたってArchGymを評価する。
論文参考訳（メタデータ） (2023-06-15T06:41:23Z)
Searching a High-Performance Feature Extractor for Text Recognition Network [92.12492627169108]
優れた特徴抽出器を持つための原理を探求し,ドメイン固有の検索空間を設計する。空間は巨大で複雑な構造であるため、既存のNASアルゴリズムを適用することはできない。本研究では,空間内を効率的に探索する2段階のアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-09-27T03:49:04Z)
Efficient Joint-Dimensional Search with Solution Space Regularization for Real-Time Semantic Segmentation [27.94898516315886]
この問題に対して,リアルタイムに実行可能な最適ネットワーク構造を探索する。新たな解空間規則化(SSR)損失は、スーパーネットが離散的に収束することを効果的に促すために最初に提案される。より高効率な探索を実現するために,新しい階層的・プログレッシブ・ソリューション・スペース・スライキング法を提案する。
論文参考訳（メタデータ） (2022-08-10T11:07:33Z)
Shapley-NAS: Discovering Operation Contribution for Neural Architecture Search [96.20505710087392]
ニューラルアーキテクチャ探索のための演算寄与度(Shapley-NAS)を評価するためのShapley値に基づく手法を提案する。提案手法は,光探索コストに比例して最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-06-20T14:41:49Z)
Pruning-as-Search: Efficient Neural Architecture Search via Channel Pruning and Structural Reparameterization [50.50023451369742]
プルーニング・アズ・サーチ(Pruning-as-Search、PaS)は、必要なサブネットワークを自動的に効率的に検索するエンドツーエンドのプルーニング手法である。提案したアーキテクチャは,ImageNet-1000分類タスクにおいて,1.0%$ Top-1精度で先行技術より優れていた。
論文参考訳（メタデータ） (2022-06-02T17:58:54Z)
AutoSpace: Neural Architecture Search with Less Human Interference [84.42680793945007]
現在のニューラルネットワークアーキテクチャ検索(NAS)アルゴリズムは、ネットワーク構築のための検索空間を設計するための専門知識と努力を必要とします。探索空間を最適なものに進化させる新しい微分可能な進化フレームワークであるAutoSpaceを提案する。学習した検索空間では、最近のNASアルゴリズムの性能は、以前手作業で設計した空間に比べて大幅に改善できる。
論文参考訳（メタデータ） (2021-03-22T13:28:56Z)
ISTA-NAS: Efficient and Consistent Neural Architecture Search by Sparse Coding [86.40042104698792]
スパース符号問題としてニューラルアーキテクチャ探索を定式化する。実験では、CIFAR-10の2段階法では、検索にわずか0.05GPUしか必要としない。本手法は,CIFAR-10とImageNetの両方において,評価時間のみのコストで最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2020-10-13T04:34:24Z)
Fine-Grained Stochastic Architecture Search [6.277767522867666]
Fine-Grained Architecture Search (FiGS) は、より大きな候補アーキテクチャの集合を探索する微分可能な検索手法である。 FiGSは、構造化スパース正規化ペナルティを適用して、検索空間内の演算子を同時に選択・変更する。既存の3つの検索空間にまたがって結果を示し、元の検索アルゴリズムのマッチングや性能を向上する。
論文参考訳（メタデータ） (2020-06-17T01:04:14Z)
AlphaGAN: Fully Differentiable Architecture Search for Generative Adversarial Networks [15.740179244963116]
GAN (Generative Adversarial Networks) はミニマックスゲーム問題として定式化され、ジェネレータは差別者に対する対戦学習によって実際のデータ分布にアプローチしようとする。本研究は,ネットワークアーキテクチャの観点からのモデル学習を促進することを目的として,GANに自動アーキテクチャ探索の最近の進歩を取り入れた。我々は,αGANと呼ばれる,生成的敵ネットワークのための,完全に差別化可能な検索フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-16T13:27:30Z)
AutoSTR: Efficient Backbone Search for Scene Text Recognition [80.7290173000068]
テキストインスタンスの多様性とシーンの複雑さのため、シーンテキスト認識(STR)は非常に難しい。テキスト認識性能を向上させるために,データ依存のバックボーンを検索するための自動STR(AutoSTR)を提案する。実験によると、データ依存のバックボーンを検索することで、AutoSTRは標準ベンチマークにおける最先端のアプローチより優れている。
論文参考訳（メタデータ） (2020-03-14T06:51:04Z)

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。