論文の概要: A Real-Time Event-Based Normal Flow Estimator

• arxiv url: http://arxiv.org/abs/2504.19417v1
• Date: Mon, 28 Apr 2025 02:06:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.285378
• Title: A Real-Time Event-Based Normal Flow Estimator
• Title（参考訳）: リアルタイムイベントベース正規流推定器
• Authors: Dehao Yuan, Cornelia Fermüller,
• Abstract要約: 本稿では,リアルタイム,非同期,イベントベースの正規フロー推定器を提案する。 これは、イベント近傍から直接学習する通常のフローと同じアルゴリズムに従っている。 本手法は,イベントカメラ上でのリアルタイムな正規流予測を支援する。
• 参考スコア（独自算出の注目度）: 9.277725091820981
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a real-time, asynchronous, event-based normal flow estimator. It follows the same algorithm as Learning Normal Flow Directly From Event Neighborhoods, but with a more optimized implementation. The original method treats event slices as 3D point clouds, encodes each event's local geometry into a fixed-length vector, and uses a multi-layer perceptron to predict normal flow. It constructs representations by multiplying an adjacency matrix with a feature matrix, resulting in quadratic time complexity with respect to the number of events. In contrast, we leverage the fact that event coordinates are integers and reformulate the representation step as a pooling operation. This achieves the same effect as the adjacency matrix but with much lower computational cost. As a result, our method supports real-time normal flow prediction on event cameras. Our estimator uses 1 GB of CUDA memory and runs at 4 million normal flows per second on an RTX 3070, or 6 million per second on an RTX A5000. We release the CUDA implementation along with a Python interface at https://github.com/dhyuan99/VecKM_flow_cpp.
• Abstract（参考訳）: 本稿では,リアルタイム,非同期,イベントベースの正規フロー推定器を提案する。 これは、イベント境界から直接学習する通常のフローと同じアルゴリズムに従うが、より最適化された実装を持つ。 元の方法は、イベントスライスを3Dポイントクラウドとして扱い、各イベントの局所幾何学を固定長ベクトルにエンコードし、通常のフローを予測するために多層パーセプトロンを使用する。 これは、隣接行列を特徴行列に乗じることで表現を構成し、結果として事象の数に関して2次時間複雑性をもたらす。 対照的に、イベント座標が整数であるという事実を利用して、表現ステップをプーリング操作として再構成する。 これは隣接行列と同じ効果を得るが、計算コストははるかに低い。 その結果,本手法はイベントカメラ上でのリアルタイムな正規流予測を支援する。 我々の推定装置は1GBのCUDAメモリを使用し、RTX 3070では毎秒400万の正規フロー、RTX A5000では毎秒600万の正規フローで動作する。 我々はCUDA実装とPythonインターフェースをhttps://github.com/dhyuan99/VecKM_flow_cppでリリースします。

関連論文リスト

• Speedy MASt3R [68.47052557089631]
  MASt3Rは、DUSt3Rを活用して高速な相互マッチング方式を導入することで、画像マッチングを3Dタスクとして再定義する。 高速MASt3Rは、精度を犠牲にすることなく、推論時間(画像ペアあたり198msから91ms)を54%削減する。 この進歩により、リアルタイムな3D理解が可能になり、複合現実ナビゲーションや大規模3Dシーン再構築といったアプリケーションに恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-03-13T03:56:22Z)
• Parallel Backpropagation for Inverse of a Convolution with Application to Normalizing Flows [2.048226951354646]
  非可逆的畳み込みの逆は正規化フローで現れる重要な操作である。 正方形画像に対して,動作時間$O(sqrtn)$の高速並列バックプロパゲーションアルゴリズムを提案する。 従来のモデルと比較して,次元毎に類似したビットでサンプリング時間を大幅に改善した。
  論文  参考訳（メタデータ） (2024-10-18T17:35:33Z)
• Streaming Factor Trajectory Learning for Temporal Tensor Decomposition [33.18423605559094]
  時相テンソル分解のためのストリーム係数軌道学習を提案する。 我々はガウス過程(GP)を用いて因子の軌道をモデル化し、その時間的進化を柔軟に推定する。 合成タスクと実世界のアプリケーションの両方において、SFTLの利点を示してきた。
  論文  参考訳（メタデータ） (2023-10-25T21:58:52Z)
• Comparative Study of Coupling and Autoregressive Flows through Robust Statistical Tests [0.0]
  本稿では,アフィン型と有理2次型の両方において,カップリングと自己回帰流の詳細な比較を提案する。 本研究は,4～400の次元を増大させるマルチモーダルターゲット分布の集合に着目した。 以上の結果から,A-RQSアルゴリズムは精度とトレーニング速度の両面で際立っていることが示唆された。
  論文  参考訳（メタデータ） (2023-02-23T13:34:01Z)
• FInC Flow: Fast and Invertible $k \times k$ Convolutions for Normalizing Flows [2.156373334386171]
  可逆畳み込みは、表現的正規化フローベース生成モデルを構築する上で不可欠な要素である。 我々は、$k倍の畳み込み層とDeep Normalizing Flowアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-01-23T04:31:03Z)
• RSC: Accelerating Graph Neural Networks Training via Randomized Sparse Computations [56.59168541623729]
  トレーニンググラフニューラルネットワーク(GNN)は、疎グラフベースの操作がハードウェアによって加速することが難しいため、時間を要する。 我々は,サンプリングに基づく近似による時間的複雑性を低減するために,計算精度のトレードオフを検討する。 本稿では,GNNを近似演算でトレーニングする可能性を初めて示すランダム化スパース計算を提案する。
  論文  参考訳（メタデータ） (2022-10-19T17:25:33Z)
• PARTIME: Scalable and Parallel Processing Over Time with Deep Neural Networks [68.96484488899901]
  PartIMEは、データが継続的にストリーミングされるたびにニューラルネットワークを高速化するように設計されたライブラリです。 PartIMEは、ストリームから利用可能になった時点で、各データサンプルの処理を開始する。 オンライン学習において、PartialIMEと古典的な非並列ニューラル計算を経験的に比較するために実験が行われる。
  論文  参考訳（メタデータ） (2022-10-17T14:49:14Z)
• Fast Differentiable Matrix Square Root and Inverse Square Root [65.67315418971688]
  微分可能な行列平方根と逆平方根を計算するためのより効率的な2つの変種を提案する。 前方伝搬には, Matrix Taylor Polynomial (MTP) を用いる方法と, Matrix Pad'e Approximants (MPA) を使用する方法がある。 一連の数値実験により、両方の手法がSVDやNSの繰り返しと比較してかなりスピードアップすることが示された。
  論文  参考訳（メタデータ） (2022-01-29T10:00:35Z)
• Displacement-Invariant Cost Computation for Efficient Stereo Matching [122.94051630000934]
  ディープラーニング手法は、前例のない不一致の精度を得ることによって、ステレオマッチングのリーダーボードを支配してきた。 しかし、その推測時間は一般的に540p画像の秒数で遅い。 本研究では,4次元特徴量を必要としないEmphdisplacement-invariant cost moduleを提案する。
  論文  参考訳（メタデータ） (2020-12-01T23:58:16Z)
• Accelerating Feedforward Computation via Parallel Nonlinear Equation Solving [106.63673243937492]
  ニューラルネットワークの評価や自己回帰モデルからのサンプリングなどのフィードフォワード計算は、機械学習においてユビキタスである。 本稿では,非線形方程式の解法としてフィードフォワード計算の課題を定式化し,ジャコビ・ガウス・シーデル固定点法とハイブリッド法を用いて解を求める。 提案手法は, 並列化可能な繰り返し回数の削減(あるいは等値化)により, 元のフィードフォワード計算と全く同じ値が与えられることを保証し, 十分な並列化計算能力を付与する。
  論文  参考訳（メタデータ） (2020-02-10T10:11:31Z)

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。