論文の概要: TSLA: A Task-Specific Learning Adaptation for Semantic Segmentation on Autonomous Vehicles Platform

• arxiv url: http://arxiv.org/abs/2508.12279v1
• Date: Sun, 17 Aug 2025 08:09:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.656663
• Title: TSLA: A Task-Specific Learning Adaptation for Semantic Segmentation on Autonomous Vehicles Platform
• Title（参考訳）: TSLA: 自動運転プラットフォーム上でのセマンティックセグメンテーションのためのタスク特化学習適応
• Authors: Jun Liu, Zhenglun Kong, Pu Zhao, Weihao Zeng, Hao Tang, Xuan Shen, Changdi Yang, Wenbin Zhang, Geng Yuan, Wei Niu, Xue Lin, Yanzhi Wang,
• Abstract要約: NVIDIAtextsuperscripttextregistered DRIVE PX 2.0のようなターゲットプラットフォームにデプロイする場合、計算コストを考慮することが重要です。 我々の目標は、自律運転ハードウェアの計算能力と特定のシナリオに応じてセマンティックセグメンテーションネットワークをカスタマイズすることである。
• 参考スコア（独自算出の注目度）: 58.645286127512016
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous driving platforms encounter diverse driving scenarios, each with varying hardware resources and precision requirements. Given the computational limitations of embedded devices, it is crucial to consider computing costs when deploying on target platforms like the NVIDIA\textsuperscript{\textregistered} DRIVE PX 2. Our objective is to customize the semantic segmentation network according to the computing power and specific scenarios of autonomous driving hardware. We implement dynamic adaptability through a three-tier control mechanism -- width multiplier, classifier depth, and classifier kernel -- allowing fine-grained control over model components based on hardware constraints and task requirements. This adaptability facilitates broad model scaling, targeted refinement of the final layers, and scenario-specific optimization of kernel sizes, leading to improved resource allocation and performance. Additionally, we leverage Bayesian Optimization with surrogate modeling to efficiently explore hyperparameter spaces under tight computational budgets. Our approach addresses scenario-specific and task-specific requirements through automatic parameter search, accommodating the unique computational complexity and accuracy needs of autonomous driving. It scales its Multiply-Accumulate Operations (MACs) for Task-Specific Learning Adaptation (TSLA), resulting in alternative configurations tailored to diverse self-driving tasks. These TSLA customizations maximize computational capacity and model accuracy, optimizing hardware utilization.
• Abstract（参考訳）: 自律運転プラットフォームは、さまざまなハードウェアリソースと精度要件を備えたさまざまな運転シナリオに遭遇する。 組み込みデバイスの計算制限を考えると、NVIDIA\textsuperscript{\textregistered} DRIVE PX 2.0のようなターゲットプラットフォームにデプロイする際の計算コストを考慮することが重要である。 我々の目標は、自律運転ハードウェアの計算能力と特定のシナリオに応じてセマンティックセグメンテーションネットワークをカスタマイズすることである。 ハードウェア制約やタスク要求に基づいたモデルコンポーネントのきめ細かい制御を可能にする3層制御機構 – 幅乗算器,分類器深さ,分類器カーネル – を通じて動的適応性を実装する。 この適応性は、幅広いモデルのスケーリング、最終層の改良、カーネルサイズのシナリオ固有の最適化を促進し、リソースの割り当てとパフォーマンスを向上させる。 さらに、ベイズ最適化と代理モデルを利用して、厳密な計算予算の下でハイパーパラメータ空間を効率的に探索する。 提案手法は,自律運転における計算複雑性と精度のユニークな要件を調整し,自動パラメータ探索によるシナリオ固有およびタスク固有要件に対処する。 タスク特化学習適応(TSLA)のためのMAC(Multiply-Accumulate Operations)をスケールし、多様な自動運転タスクに合わせた代替設定を実現している。 これらのTSLAカスタマイズは計算能力とモデルの精度を最大化し、ハードウェア利用を最適化する。

関連論文リスト

• Toward Automated Hypervisor Scenario Generation Based on VM Workload Profiling for Resource-Constrained Environments [3.861132936894187]
  本稿では,自動車ベンダがハードウェアリソースを効率的に割り当てるのを支援する自動シナリオ生成フレームワークを提案する。 実行時の振る舞いをプロファイリングし、理論モデルとベンダーの両方を統合することにより、システム制約に合わせて最適化された設定を生成する。
  論文  参考訳（メタデータ） (2025-08-12T14:06:06Z)
• EdgeMLBalancer: A Self-Adaptive Approach for Dynamic Model Switching on Resource-Constrained Edge Devices [0.0]
  エッジデバイス上の機械学習は、リソース制約のある環境でリアルタイムAIアプリケーションを可能にする。 計算資源を管理する既存のソリューションは、しばしば正確さやエネルギー効率に焦点を絞っている。 エッジデバイス上でのCPU利用とリソース管理を最適化する自己適応型アプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-10T14:11:29Z)
• 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)
• Multi-Exit Semantic Segmentation Networks [78.44441236864057]
  本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。 パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。 接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
  論文  参考訳（メタデータ） (2021-06-07T11:37:03Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• Resource-Aware Pareto-Optimal Automated Machine Learning Platform [1.6746303554275583]
  新プラットフォーム Resource-Aware AutoML (RA-AutoML) RA-AutoMLは、フレキシブルで一般化されたアルゴリズムで、複数の目的に合わせた機械学習モデルを構築することができる。
  論文  参考訳（メタデータ） (2020-10-30T19:37:48Z)

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。