論文の概要: Lightweight Remote Sensing Scene Classification on Edge Devices via Knowledge Distillation and Early-exit

• arxiv url: http://arxiv.org/abs/2507.20623v1
• Date: Mon, 28 Jul 2025 08:36:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:57.985476
• Title: Lightweight Remote Sensing Scene Classification on Edge Devices via Knowledge Distillation and Early-exit
• Title（参考訳）: 知識蒸留と早期退避によるエッジデバイス上の軽量リモートセンシングシーン分類
• Authors: Yang Zhao, Shusheng Li, Xueshang Feng,
• Abstract要約: 本稿では,蒸留グローバルフィルタネットワーク(GFNet)モデルとエッジデバイス用に設計された早期出力機構を備えた軽量RSSCフレームワークを提案する。 4つのデータセットにまたがる3つのエッジデバイス上でのE3Cモデルの評価を行った。 モデル推論では平均1.3倍のスピードアップ、エネルギー効率では40%以上向上し、高い分類精度を維持している。
• 参考スコア（独自算出の注目度）: 9.227971758519818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As the development of lightweight deep learning algorithms, various deep neural network (DNN) models have been proposed for the remote sensing scene classification (RSSC) application. However, it is still challenging for these RSSC models to achieve optimal performance among model accuracy, inference latency, and energy consumption on resource-constrained edge devices. In this paper, we propose a lightweight RSSC framework, which includes a distilled global filter network (GFNet) model and an early-exit mechanism designed for edge devices to achieve state-of-the-art performance. Specifically, we first apply frequency domain distillation on the GFNet model to reduce model size. Then we design a dynamic early-exit model tailored for DNN models on edge devices to further improve model inference efficiency. We evaluate our E3C model on three edge devices across four datasets. Extensive experimental results show that it achieves an average of 1.3x speedup on model inference and over 40% improvement on energy efficiency, while maintaining high classification accuracy.
• Abstract（参考訳）: 軽量なディープラーニングアルゴリズムの開発に伴い、リモートセンシングシーン分類(RSSC)アプリケーションのために、様々なディープニューラルネットワーク(DNN)モデルが提案されている。 しかし、これらのRSSCモデルでは、リソース制約のあるエッジデバイス上でのモデル精度、推論遅延、エネルギー消費の最適性能を達成することは依然として困難である。 本稿では,蒸留グローバルフィルタネットワーク(GFNet)モデルとエッジデバイスを対象とした早期出力機構を備え,最先端性能を実現するための軽量RSSCフレームワークを提案する。 具体的には、まずGFNetモデルに周波数領域蒸留を適用し、モデルサイズを小さくする。 次に,エッジデバイス上でのDNNモデルに適した動的早期退避モデルを設計し,モデル推論効率をさらに向上する。 4つのデータセットにまたがる3つのエッジデバイス上でのE3Cモデルの評価を行った。 大規模な実験結果から、モデル推論における平均1.3倍のスピードアップとエネルギー効率の40%以上の改善を実現し、高い分類精度を維持していることが示された。

関連論文リスト

• A Light Perspective for 3D Object Detection [46.23578780480946]
  本稿では,最先端のDeep Learning技術を特徴抽出に取り入れた新しい手法を提案する。 私たちのモデルであるNextBEVは、ResNet50やMobileNetV3といった既存の機能抽出ツールを超えています。 これらの軽量な提案を融合することにより、VoxelNetベースのモデルの精度を2.93%向上し、PointPillarベースのモデルのF1スコアを約20%改善しました。
  論文  参考訳（メタデータ） (2025-03-10T10:03:23Z)
• Efficient Partitioning Vision Transformer on Edge Devices for Distributed Inference [13.533267828812455]
  本稿では,複数のエッジデバイスにまたがる複雑な視覚変換器を効率的に分割・実行するための新しいフレームワークED-ViTを提案する。 私たちのアプローチでは、Vision Transformerモデルをいくつかのサブモデルに分割し、それぞれがデータクラスの特定のサブセットを処理する。 本研究では,エッジデバイスにおける推論遅延を大幅に削減し,モデルサイズを最大28.9倍,34.1倍に削減できることを実証した。
  論文  参考訳（メタデータ） (2024-10-15T14:38:14Z)
• DM3D: Distortion-Minimized Weight Pruning for Lossless 3D Object Detection [42.07920565812081]
  本稿では,3次元物体検出のための新しいトレーニング後の重み付け手法を提案する。 事前訓練されたモデルにおける冗長パラメータを決定し、局所性と信頼性の両方において最小限の歪みをもたらす。 本フレームワークは,ネットワーク出力の歪みを最小限に抑え,検出精度を最大に維持することを目的とする。
  論文  参考訳（メタデータ） (2024-07-02T09:33:32Z)
• LeYOLO, New Embedded Architecture for Object Detection [0.0]
  MSCOCOをベース検証セットとして用いたオブジェクト検出モデルに2つの重要な貢献点を紹介する。 まず,SSDLiteに匹敵する推論速度を維持する汎用検出フレームワークであるLeNeckを提案する。 第2に, YOLOアーキテクチャにおける計算効率の向上を目的とした, 効率的なオブジェクト検出モデルであるLeYOLOを提案する。
  論文  参考訳（メタデータ） (2024-06-20T12:08:24Z)
• Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
  Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。 CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
  論文  参考訳（メタデータ） (2024-02-27T08:47:19Z)
• Real-time Human Detection Model for Edge Devices [0.0]
  畳み込みニューラルネットワーク(CNN)は、検出と分類タスクにおいて、従来の特徴抽出と機械学習モデルを置き換える。 最近、リアルタイムタスクのために軽量CNNモデルが導入されている。 本稿では,Raspberry Piのような限られたエッジデバイスに適合するCNNベースの軽量モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:42:17Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Local Grid Rendering Networks for 3D Object Detection in Point Clouds [98.02655863113154]
  CNNは強力だが、全点の雲を高密度の3Dグリッドに酸化した後、点データに直接畳み込みを適用するのは計算コストがかかる。 入力点のサブセットの小さな近傍を低解像度の3Dグリッドに独立してレンダリングする,新しい,原理化されたローカルグリッドレンダリング(LGR)演算を提案する。 ScanNetとSUN RGB-Dデータセットを用いた3次元オブジェクト検出のためのLGR-Netを検証する。
  論文  参考訳（メタデータ） (2020-07-04T13:57:43Z)
• A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration Framework [56.57225686288006]
  モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。 従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。 プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-13T23:52:03Z)
• An Image Enhancing Pattern-based Sparsity for Real-time Inference on Mobile Devices [58.62801151916888]
  パターンと接続性を組み合わせた新しい空間空間,すなわちパターンベースの空間空間を導入し,高度に正確かつハードウェアに親しみやすいものにした。 新たなパターンベースの空間性に対する我々のアプローチは,モバイルプラットフォーム上での高効率DNN実行のためのコンパイラ最適化に自然に適合する。
  論文  参考訳（メタデータ） (2020-01-20T16:17:36Z)

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。