論文の概要: PEdger++: Practical Edge Detection via Assembling Cross Information

• arxiv url: http://arxiv.org/abs/2508.11961v1
• Date: Sat, 16 Aug 2025 07:48:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.487315
• Title: PEdger++: Practical Edge Detection via Assembling Cross Information
• Title（参考訳）: PEdger++: クロス情報のアセンブリによるエッジ検出
• Authors: Yuanbin Fu, Liang Li, Xiaojie Guo,
• Abstract要約: エッジ検出は、オブジェクト検出、セマンティックセグメンテーション、画像編集など、多数のコンピュータビジョンアプリケーションにとって重要な基盤となっている。 ディープラーニングは明らかに精度を向上しているが、しばしば高い計算コストに悩まされ、リソース制約のあるデバイスに適用性を制限する。 エッジ検出精度を向上しつつ,計算コストとモデルサイズを削減することを目的とした協調学習フレームワークであるPEdger++を提案する。
• 参考スコア（独自算出の注目度）: 14.024684965632675
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Edge detection serves as a critical foundation for numerous computer vision applications, including object detection, semantic segmentation, and image editing, by extracting essential structural cues that define object boundaries and salient edges. To be viable for broad deployment across devices with varying computational capacities, edge detectors shall balance high accuracy with low computational complexity. While deep learning has evidently improved accuracy, they often suffer from high computational costs, limiting their applicability on resource-constrained devices. This paper addresses the challenge of achieving that balance: \textit{i.e.}, {how to efficiently capture discriminative features without relying on large-size and sophisticated models}. We propose PEdger++, a collaborative learning framework designed to reduce computational costs and model sizes while improving edge detection accuracy. The core principle of our PEdger++ is that cross-information derived from heterogeneous architectures, diverse training moments, and multiple parameter samplings, is beneficial to enhance learning from an ensemble perspective. Extensive experimental results on the BSDS500, NYUD and Multicue datasets demonstrate the effectiveness of our approach, both quantitatively and qualitatively, showing clear improvements over existing methods. We also provide multiple versions of the model with varying computational requirements, highlighting PEdger++'s adaptability with respect to different resource constraints. Codes are accessible at https://github.com/ForawardStar/EdgeDetectionviaPEdgerPlus/.
• Abstract（参考訳）: エッジ検出は、オブジェクト境界と健全なエッジを定義する重要な構造的手がかりを抽出することによって、オブジェクト検出、セマンティックセグメンテーション、画像編集など、多数のコンピュータビジョンアプリケーションにとって重要な基盤となっている。 計算能力の異なるデバイスにまたがって広く展開するために、エッジ検出器は高い精度と低い計算複雑性のバランスをとる必要がある。 ディープラーニングは明らかに精度を向上しているが、しばしば高い計算コストに悩まされ、リソース制約のあるデバイスに適用性を制限する。 本稿では,このバランスを達成する上での課題に対処する: \textit{i.e.}, {how to efficient capture discriminative features without without rely to the large- size and refine model}。 エッジ検出精度を向上しつつ,計算コストとモデルサイズを削減することを目的とした協調学習フレームワークであるPEdger++を提案する。 PEdger++の中核となる原則は、異種アーキテクチャ、多様なトレーニングモーメント、複数のパラメータサンプリングから派生したクロス情報が、アンサンブルの観点からの学習を促進するのに有用であることです。 BSDS500,NYUD,Multicueの各データセットの大規模な実験結果から,提案手法の有効性が定量的にも定性的にも示され,既存手法よりも明らかな改善が見られた。 また、PEdger++の異なるリソース制約に対する適応性を強調し、様々な計算要件を持つモデルの複数のバージョンも提供します。 コードはhttps://github.com/ForawardStar/EdgeDetectionviaPEdgerPlus/でアクセスできる。

関連論文リスト

• EdgePoint2: Compact Descriptors for Superior Efficiency and Accuracy [0.8437187555622164]
  We present EdgePoint2, a series of light keypoint detection and description neural network based for edge computing application on embedded system。 実験の結果,EdgePoint2は様々な難易度シナリオにおいて,最先端(SOTA)の精度と効率を一貫して達成していることがわかった。
  論文  参考訳（メタデータ） (2025-04-24T06:14:01Z)
• Hybrid Multi-Stage Learning Framework for Edge Detection: A Survey [0.0]
  本稿では,CNN(Convolutional Neural Network)機能抽出とSVM(Support Vector Machine)を統合したハイブリッド多段階学習フレームワークを提案する。 提案手法は特徴表現と分類段階を分離し,堅牢性と解釈可能性を向上させる。
  論文  参考訳（メタデータ） (2025-03-26T13:06:31Z)
• Efficient Detection Framework Adaptation for Edge Computing: A Plug-and-play Neural Network Toolbox Enabling Edge Deployment [59.61554561979589]
  エッジコンピューティングは、時間に敏感なシナリオでディープラーニングベースのオブジェクト検出をデプロイするための重要なパラダイムとして登場した。 既存のエッジ検出手法では、軽量モデルによる検出精度のバランスの難しさ、適応性の制限、現実の検証の不十分といった課題に直面している。 本稿では,汎用的なプラグイン・アンド・プレイコンポーネントを用いてエッジ環境にオブジェクト検出モデルを適用するエッジ検出ツールボックス(ED-TOOLBOX)を提案する。
  論文  参考訳（メタデータ） (2024-12-24T07:28:10Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Binary Code Similarity Detection via Graph Contrastive Learning on Intermediate Representations [52.34030226129628]
  バイナリコード類似度検出(BCSD)は、脆弱性検出、マルウェア分析、コードの再利用識別など、多くの分野で重要な役割を果たしている。 本稿では,LLVM-IRと高レベルのセマンティック抽象化を利用して,コンパイル差を緩和するIRBinDiffを提案する。 IRBinDiffは1対1の比較と1対多の検索シナリオにおいて,他の主要なBCSD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） (2024-10-24T09:09:20Z)
• CST: Calibration Side-Tuning for Parameter and Memory Efficient Transfer Learning [4.776619551860301]
  本稿では,サイドチューニングと呼ばれる軽量な微調整戦略を提案する。 アダプタチューニングとサイドチューニングの側面を取り入れて、ResNetで使用するトランスフォーマーで成功したテクニックを適応させる。 本稿は、複数の微調整戦略の分析を行い、ResNet内でそれらのアプリケーションを実装した。
  論文  参考訳（メタデータ） (2024-02-20T06:01:31Z)
• Practical Edge Detection via Robust Collaborative Learning [11.176517889212015]
  エッジ検出は、幅広いビジョン指向タスクのコアコンポーネントである。 目標を達成するためには,2つの重要な問題に対処する必要がある。 非効率なトレーニング済みバックボーンからディープエッジモデルを緩和する方法。 トレーニングデータにおいて、ノイズや間違ったラベルからネガティブな影響を解放する方法。
  論文  参考訳（メタデータ） (2023-08-27T12:12:27Z)
• EdgeConvEns: Convolutional Ensemble Learning for Edge Intelligence [0.0]
  Deep Edge Intelligenceは、計算能力に制限のあるエッジネットワークに、計算に高価なトレーニングを必要とするディープラーニングモデルをデプロイすることを目的としている。 本研究では、エッジ上の不均一な弱モデルを訓練し、エッジ上のデータが不均一に分散されている場所でアンサンブルを学習する、EdgeConvEnsという畳み込み型アンサンブル学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-25T20:07:32Z)
• Energy-efficient Task Adaptation for NLP Edge Inference Leveraging Heterogeneous Memory Architectures [68.91874045918112]
  Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。 検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
  論文  参考訳（メタデータ） (2023-03-25T14:40:59Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)

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。