Fugu-MT 論文翻訳(概要): MLPerf Automotive

論文の概要: MLPerf Automotive

arxiv url: http://arxiv.org/abs/2510.27065v1
Date: Fri, 31 Oct 2025 00:28:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-03 17:52:15.941129
Title: MLPerf Automotive
Title（参考訳）: MLPerfの自動車
Authors: Radoyeh Shojaei, Predrag Djurdjevic, Mostafa El-Khamy, James Goel, Kasper Mecklenburg, John Owens, Pınar Muyan-Özçelik, Tom St. John, Jinho Suh, Arjun Suresh,
Abstract要約: このベンチマークは、自動車機械学習システムにおける標準化された性能評価手法の必要性に対処する。ベンチマークフレームワークは、評価プロトコルとともにレイテンシと精度の指標を提供します。本稿では,タスク選択,参照モデル,提案ルールを含むベンチマーク設計の方法論について述べる。
参考スコア（独自算出の注目度）: 3.096098336940615
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present MLPerf Automotive, the first standardized public benchmark for evaluating Machine Learning systems that are deployed for AI acceleration in automotive systems. Developed through a collaborative partnership between MLCommons and the Autonomous Vehicle Computing Consortium, this benchmark addresses the need for standardized performance evaluation methodologies in automotive machine learning systems. Existing benchmark suites cannot be utilized for these systems since automotive workloads have unique constraints including safety and real-time processing that distinguish them from the domains that previously introduced benchmarks target. Our benchmarking framework provides latency and accuracy metrics along with evaluation protocols that enable consistent and reproducible performance comparisons across different hardware platforms and software implementations. The first iteration of the benchmark consists of automotive perception tasks in 2D object detection, 2D semantic segmentation, and 3D object detection. We describe the methodology behind the benchmark design including the task selection, reference models, and submission rules. We also discuss the first round of benchmark submissions and the challenges involved in acquiring the datasets and the engineering efforts to develop the reference implementations. Our benchmark code is available at https://github.com/mlcommons/mlperf_automotive.
Abstract（参考訳）: MLPerf Automotiveは、自動車システムにおけるAIアクセラレーションのためにデプロイされる機械学習システムを評価するための、最初の標準化された公開ベンチマークである。 MLCommonsとAutonomous Vehicle Computing Consortiumの協力によって開発されたこのベンチマークは、自動車機械学習システムにおける標準化されたパフォーマンス評価方法論の必要性に対処する。既存のベンチマークスイートは、以前のベンチマーク対象のドメインと区別する安全性やリアルタイム処理を含むユニークな制約があるため、これらのシステムには利用できない。我々のベンチマークフレームワークは、異なるハードウェアプラットフォームとソフトウェア実装間で一貫した再現可能なパフォーマンス比較を可能にする評価プロトコルとともに、レイテンシと精度のメトリクスを提供する。ベンチマークの最初のイテレーションは、2Dオブジェクト検出、2Dセマンティックセグメンテーション、および3Dオブジェクト検出における自動車知覚タスクで構成されている。本稿では,タスク選択,参照モデル,提案ルールを含むベンチマーク設計の方法論について述べる。また、最初のベンチマークの提出とデータセットの取得に関わる課題、リファレンス実装を開発するためのエンジニアリングの取り組みについても論じる。ベンチマークコードはhttps://github.com/mlcommons/mlperf_automotive.comで公開されています。

関連論文リスト

Detect Anything via Next Point Prediction [51.55967987350882]
Rex-Omniは最先端の物体認識性能を実現する3BスケールのMLLMである。 COCOやLVISのようなベンチマークでは、Rex-Omniは回帰ベースのモデルに匹敵するパフォーマンスを得る。
論文参考訳（メタデータ） (2025-10-14T17:59:54Z)
TimeSeriesGym: A Scalable Benchmark for (Time Series) Machine Learning Engineering Agents [17.296425855109426]
人工知能(AI)エージェントを評価するためのスケーラブルなベンチマークフレームワークであるTimeSeriesGymを紹介する。 TimeSeriesGymには、複数のドメインやタスクにまたがるさまざまなソースからの課題が含まれている。提出ファイルやコード,モデルなど,複数の研究成果物に対する評価機構を実装した。
論文参考訳（メタデータ） (2025-05-19T16:11:23Z)
AIvaluateXR: An Evaluation Framework for on-Device AI in XR with Benchmarking Results [55.33807002543901]
我々は,XRデバイス上で動作する大規模言語モデル(LLM)をベンチマークするための総合評価フレームワークであるAIvaluateXRを提案する。我々はMagic Leap 2、Meta Quest 3、Vivo X100s Pro、Apple Vision Proという4つのXRプラットフォームに17個の選択されたLSMをデプロイし、広範囲な評価を行います。本稿では,3次元最適性理論に基づく統一評価手法を提案する。
論文参考訳（メタデータ） (2025-02-13T20:55:48Z)
Towards Interpretable and Efficient Automatic Reference-Based Summarization Evaluation [160.07938471250048]
解釈可能性と効率性は、ニューラル自動メトリクスを採用する上で重要な2つの考慮事項である。我々は,参照ベース要約評価のための高性能自動メトリクスを開発する。
論文参考訳（メタデータ） (2023-03-07T02:49:50Z)
SynMotor: A Benchmark Suite for Object Attribute Regression and Multi-task Learning [0.0]
このベンチマークは、2D/3D検出、分類、セグメンテーション、マルチ属性学習などのコンピュータビジョンタスクに使用できる。モータのほとんどの特性は、バイナリではなく連続的な変数として定量化されているため、我々のベンチマークは、未検討の回帰タスクに適している。
論文参考訳（メタデータ） (2023-01-11T18:27:29Z)
PDEBENCH: An Extensive Benchmark for Scientific Machine Learning [20.036987098901644]
部分微分方程式(PDE)に基づく時間依存シミュレーションタスクのベンチマークスイートであるPDEBenchを紹介する。 PDEBenchは、コードとデータの両方で構成され、古典的な数値シミュレーションと機械学習ベースラインの両方に対して、新しい機械学習モデルのパフォーマンスをベンチマークする。
論文参考訳（メタデータ） (2022-10-13T17:03:36Z)
BURST: A Benchmark for Unifying Object Recognition, Segmentation and Tracking in Video [58.71785546245467]
複数の既存のベンチマークには、ビデオ内のオブジェクトのトラッキングとセグメンテーションが含まれる。異なるベンチマークデータセットとメトリクスを使用するため、それらの相互作用はほとんどありません。高品質なオブジェクトマスクを備えた数千の多様なビデオを含むデータセットであるBURSTを提案する。すべてのタスクは、同じデータと同等のメトリクスを使って評価されます。
論文参考訳（メタデータ） (2022-09-25T01:27:35Z)
SegmentMeIfYouCan: A Benchmark for Anomaly Segmentation [111.61261419566908]
ディープニューラルネットワーク(DNN)は通常、閉集合のセマンティッククラスで訓練される。未発見のオブジェクトを扱うには不備だ。このような物体の検出と局在化は、自動運転の認識などの安全クリティカルなアプリケーションに不可欠です。
論文参考訳（メタデータ） (2021-04-30T07:58:19Z)
Exploring and Analyzing Machine Commonsense Benchmarks [0.13999481573773073]
我々は、これらのアプローチのメタデータを調整するための共通の語彙の欠如は、システムの欠陥を理解するための努力で研究者を制限します。ベンチマークメタデータを形式化する一般的な語彙であるMCS Benchmark Ontologyについて説明します。
論文参考訳（メタデータ） (2020-12-21T19:01:55Z)
MOTChallenge: A Benchmark for Single-Camera Multiple Target Tracking [72.76685780516371]
単カメラ多目的追跡(MOT)のためのベンチマークMOTChallengeを提案する。このベンチマークは、歩行者がトラッキングコミュニティで最も研究されているオブジェクトであるため、複数の人を追跡することに重点を置いている。我々は,最先端トラッカーの分類と広い誤差解析を行う。
論文参考訳（メタデータ） (2020-10-15T06:52:16Z)
AIBench: An Agile Domain-specific Benchmarking Methodology and an AI Benchmark Suite [26.820244556465333]
本稿では,アジャイルなドメイン固有のベンチマーク手法を提案する。我々は10つの重要なエンドツーエンドアプリケーションシナリオを特定し、そのうち16の代表的なAIタスクをAIコンポーネントベンチマークとして抽出する。最初のエンドツーエンドのインターネットサービスAIベンチマークを提示する。
論文参考訳（メタデータ） (2020-02-17T07:29:05Z)

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。