論文の概要: Lightweight Object Detection Using Quantized YOLOv4-Tiny for Emergency Response in Aerial Imagery

• arxiv url: http://arxiv.org/abs/2506.09299v1
• Date: Tue, 10 Jun 2025 23:26:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.150629
• Title: Lightweight Object Detection Using Quantized YOLOv4-Tiny for Emergency Response in Aerial Imagery
• Title（参考訳）: 空中画像の緊急応答のための量子YOLOv4-Tinyを用いた軽量物体検出
• Authors: Sindhu Boddu, Arindam Mukherjee,
• Abstract要約: 我々は、後学習量子化によってINT8精度に最適化されたコンパクト畳み込みニューラルネットワークであるYOLOv4-Tinyモデルをデプロイすることに注力する。 このモデルは、重要な緊急シナリオをカバーする10,820の注釈付き画像からなる、カスタムカレーションされた緊急データセットでトレーニングされている。 モデルサイズの71%削減と推論速度の44%向上により、量子化されたYOLOv4-Tinyモデルは低消費電力エッジデバイスでのリアルタイム緊急検出に非常に適している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: This paper presents a lightweight and energy-efficient object detection solution for aerial imagery captured during emergency response situations. We focus on deploying the YOLOv4-Tiny model, a compact convolutional neural network, optimized through post-training quantization to INT8 precision. The model is trained on a custom-curated aerial emergency dataset, consisting of 10,820 annotated images covering critical emergency scenarios. Unlike prior works that rely on publicly available datasets, we created this dataset ourselves due to the lack of publicly available drone-view emergency imagery, making the dataset itself a key contribution of this work. The quantized model is evaluated against YOLOv5-small across multiple metrics, including mean Average Precision (mAP), F1 score, inference time, and model size. Experimental results demonstrate that the quantized YOLOv4-Tiny achieves comparable detection performance while reducing the model size from 22.5 MB to 6.4 MB and improving inference speed by 44\%. With a 71\% reduction in model size and a 44\% increase in inference speed, the quantized YOLOv4-Tiny model proves highly suitable for real-time emergency detection on low-power edge devices.
• Abstract（参考訳）: 本稿では,緊急時の航空画像に対する軽量でエネルギー効率のよい物体検出ソリューションを提案する。 我々は、後学習量子化によってINT8精度に最適化されたコンパクト畳み込みニューラルネットワークであるYOLOv4-Tinyモデルをデプロイすることに注力する。 このモデルは、重要な緊急シナリオをカバーする10,820の注釈付き画像からなる、カスタムカレーションされた緊急データセットでトレーニングされている。 公開データセットに依存する以前の作業とは違って、公開可能なドローンビューの緊急画像が欠如していることを理由に、このデータセットを自分自身で作成しました。 平均精度 (mAP) , F1スコア, 推測時間, モデルサイズなど, 平均精度 (mAP) , 平均精度 (mAP) , 平均精度 (mAP) , 平均値 (mAP) , 平均値 (mAP) , 平均値 (mAP) , 平均値 (mAP) , 平均値 (mAP) , 平均値 (mAP) , 平均値 (mAP) , 平均値 (mAP) , 平均値 (mAP) , 平均値 (mAP) , 平均値 (mAP) , 平均値 (mAP) 実験の結果, 定量化したYOLOv4-Tinyは, モデルサイズを22.5 MBから6.4 MBに削減し, 推論速度を44 %向上した。 モデルサイズを71 %削減し、推論速度を44 %増加させると、量子化されたYOLOv4-Tinyモデルは低消費電力エッジデバイス上でのリアルタイム緊急検出に非常に適していることが証明された。

関連論文リスト

• A lightweight model FDM-YOLO for small target improvement based on YOLOv8 [0.0]
  小さいターゲットは、低いピクセル数、複雑な背景、様々な射撃角度のために検出が困難である。 本稿では,小目標検出に焦点をあて,低計算制約下での物体検出手法について検討する。
  論文  参考訳（メタデータ） (2025-03-06T14:06:35Z)
• YOLO-ELA: Efficient Local Attention Modeling for High-Performance Real-Time Insulator Defect Detection [0.0]
  無人航空機からの絶縁体欠陥検出のための既存の検出方法は、複雑な背景や小さな物体と競合する。 本稿では,この課題に対処するため,新しい注目基盤アーキテクチャであるYOLO-ELAを提案する。 高分解能UAV画像による実験結果から,本手法は96.9% mAP0.5,リアルタイム検出速度74.63フレーム/秒を実現した。
  論文  参考訳（メタデータ） (2024-10-15T16:00:01Z)
• QuEST: Low-bit Diffusion Model Quantization via Efficient Selective Finetuning [52.157939524815866]
  本稿では,現行手法の有効性を損なう量子拡散モデルの3つの特性を実証的に明らかにする。 重要な時間的情報を保持する層と、ビット幅の低減に敏感な層という、2つの重要なタイプの量子化層を同定する。 提案手法は,3つの高分解能画像生成タスクに対して評価し,様々なビット幅設定で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-02-06T03:39:44Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• QD-BEV : Quantization-aware View-guided Distillation for Multi-view 3D Object Detection [57.019527599167255]
  BEV (bird-eye-view) に基づく多視点3D検出は、最近大幅に改善されている。 本稿では,BEVタスクに量子化を直接適用することで,トレーニングが不安定になり,性能劣化が許容できないことを示す。 QD-BEVにより,新しいビュー誘導蒸留(VGD)の目標が実現され,QAT(量子化対応トレーニング)の安定化が図られ,モデル性能が向上する。
  論文  参考訳（メタデータ） (2023-08-21T07:06:49Z)
• QLoRA: Efficient Finetuning of Quantized LLMs [66.58009990713134]
  我々は,48GBのGPU上で65Bパラメータモデルを微調整するのに十分なメモリ使用量を削減する,効率的な微調整手法QLoRAを提案する。 QLoRAは凍結した4ビット量子化事前学習言語モデルを通して低ランクアダプタ(LoRA)に逆伝搬する 最高のモデルファミリであるGuanacoは、Vicunaベンチマークでリリースされたすべてのモデルより優れています。
  論文  参考訳（メタデータ） (2023-05-23T17:50:33Z)
• Real-Time Flying Object Detection with YOLOv8 [0.0]
  本稿では,飛行物体のリアルタイム検出のための一般化モデルを提案する。 また,フライング物体検出のための最先端結果を得るための改良されたモデルを提案する。
  論文  参考訳（メタデータ） (2023-05-17T06:11:10Z)
• Pushing the Limits of Asynchronous Graph-based Object Detection with Event Cameras [62.70541164894224]
  低計算を維持しながら、そのようなモデルの深さと複雑さを拡大できるアーキテクチャ選択をいくつか導入する。 我々の手法は、密度の高いグラフニューラルネットワークよりも3.7倍高速に動作し、前方通過はわずか8.4msである。
  論文  参考訳（メタデータ） (2022-11-22T15:14:20Z)
• Channel Pruned YOLOv5-based Deep Learning Approach for Rapid and Accurate Outdoor Obstacles Detection [6.703770367794502]
  1段階のアルゴリズムは、大量のデータをトレーニングする必要があるターゲット検出システムで広く使われている。 畳み込み構造のため、より多くの計算能力とメモリ消費が必要である。 対象検出ネットワークにプルーニング戦略を適用し,パラメータ数とモデルサイズを削減した。
  論文  参考訳（メタデータ） (2022-04-27T21:06:04Z)
• Analysis and Adaptation of YOLOv4 for Object Detection in Aerial Images [0.0]
  本研究は,空中画像中の物体とその位置を予測するためのYOLOv4フレームワークの適応性を示す。 トレーニングされたモデルは平均的な平均精度(mAP)が45.64%となり、推論速度はTesla K80 GPUで8.7FPSに達した。 いくつかの現代の空中物体検出器との比較研究により、YOLOv4はより優れた性能を示し、航空プラットフォームに組み込むのにより適した検出アルゴリズムが示唆された。
  論文  参考訳（メタデータ） (2022-03-18T23:51:09Z)
• Probing Model Signal-Awareness via Prediction-Preserving Input Minimization [67.62847721118142]
  モデルが正しい脆弱性信号を捕捉して予測する能力を評価する。 SAR(Signal-Aware Recall)と呼ばれる新しい指標を用いて,モデルの信号認識を計測する。 その結果,90年代以降のリコールから60年代以降のリコールは,新たな指標で大幅に減少した。
  論文  参考訳（メタデータ） (2020-11-25T20:05:23Z)

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。