論文の概要: 3D Point Cloud Object Detection on Edge Devices for Split Computing

• arxiv url: http://arxiv.org/abs/2511.02293v1
• Date: Tue, 04 Nov 2025 06:15:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.827348
• Title: 3D Point Cloud Object Detection on Edge Devices for Split Computing
• Title（参考訳）: スプリットコンピューティングのためのエッジデバイス上の3Dポイントクラウドオブジェクト検出
• Authors: Taisuke Noguchi, Takuya Azumi,
• Abstract要約: ディープニューラルネットワークモデルは複雑で、処理時間が長くなり、エッジデバイスでの消費電力が増加する。 Split Computingはエッジデバイスの計算負担を軽減し、処理時間と消費電力を削減することを目的としている。 実験結果から, 脱酸素後の分裂は, 推論時間を70.8%, エッジデバイス実行時間を90.0%減少させることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The field of autonomous driving technology is rapidly advancing, with deep learning being a key component. Particularly in the field of sensing, 3D point cloud data collected by LiDAR is utilized to run deep neural network models for 3D object detection. However, these state-of-the-art models are complex, leading to longer processing times and increased power consumption on edge devices. The objective of this study is to address these issues by leveraging Split Computing, a distributed machine learning inference method. Split Computing aims to lessen the computational burden on edge devices, thereby reducing processing time and power consumption. Furthermore, it minimizes the risk of data breaches by only transmitting intermediate data from the deep neural network model. Experimental results show that splitting after voxelization reduces the inference time by 70.8% and the edge device execution time by 90.0%. When splitting within the network, the inference time is reduced by up to 57.1%, and the edge device execution time is reduced by up to 69.5%.
• Abstract（参考訳）: 自動運転技術の分野は急速に進歩し、ディープラーニングが重要な要素となっている。 特にセンシングの分野では、LiDARが収集した3Dポイントクラウドデータを使用して、3Dオブジェクト検出のためのディープニューラルネットワークモデルを実行する。 しかし、これらの最先端モデルは複雑であり、処理時間が長くなり、エッジデバイスでの電力消費が増加する。 本研究の目的は,分散機械学習推論手法であるSplit Computingを活用することで,これらの問題に対処することである。 Split Computingはエッジデバイスの計算負担を軽減し、処理時間と消費電力を削減することを目的としている。 さらに、ディープニューラルネットワークモデルから中間データのみを送信することで、データ漏洩のリスクを最小化する。 実験結果から, 脱酸素後の分裂は, 推論時間を70.8%, エッジデバイス実行時間を90.0%減少させることがわかった。 ネットワーク内での分割では、推論時間を57.1%まで削減し、エッジデバイスの実行時間を69.5%まで短縮する。

関連論文リスト

• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• MonoPIC -- A Monocular Low-Latency Pedestrian Intention Classification Framework for IoT Edges Using ID3 Modelled Decision Trees [0.0]
  本稿では,2次元のフレーム内の任意の歩行者の意図を論理状態に分類するアルゴリズムを提案する。 これにより、比較的レイテンシの高いディープラーニングアルゴリズムを使用する必要がなくなる。 平均テスト精度は83.56%で信頼性は0.0042で、平均レイテンシは48ミリ秒であった。
  論文  参考訳（メタデータ） (2023-04-01T02:42:24Z)
• A Sequential Concept Drift Detection Method for On-Device Learning on Low-End Edge Devices [2.520804666686246]
  エッジAIシステムの現実的な問題は、トレーニングされたデータセットとデプロイされた環境のデータ分布が、時間とともにノイズや環境の変化によって異なる可能性があることである。 本稿では,ニューラルネットワークのデバイス上での学習手法と協調して,軽量なコンセプトドリフト検出手法を提案する。
  論文  参考訳（メタデータ） (2022-12-19T17:13:59Z)
• 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)
• Fast Exploration of the Impact of Precision Reduction on Spiking Neural Networks [63.614519238823206]
  ターゲットハードウェアがコンピューティングの端に達すると、スパイキングニューラルネットワーク(SNN)が実用的な選択となる。 我々は、近似誤差を伝播するそのようなモデルの能力を生かした探索手法を開発するために、インターヴァル算術(IA)モデルを用いる。
  論文  参考訳（メタデータ） (2022-11-22T15:08:05Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• ItNet: iterative neural networks with small graphs for accurate and efficient anytime prediction [1.52292571922932]
  本研究では,計算グラフの観点から,メモリフットプリントが小さいネットワークモデルについて紹介する。 CamVidおよびCityscapesデータセットでセマンティックセグメンテーションの最新の結果を示します。
  論文  参考訳（メタデータ） (2021-01-21T15:56:29Z)
• Robust error bounds for quantised and pruned neural networks [1.8083503268672914]
  機械学習のアルゴリズムは、データとアルゴリズムを保存し、訓練し、デバイス上でローカルに分散化しようとしている。 デバイスハードウェアは、このセットアップにおけるモデル機能の主要なボトルネックとなり、スリム化され、より効率的なニューラルネットワークの必要性を生み出します。 半確定プログラムを導入して、ニューラルネットワークのプルーニングや定量化による最悪のケースエラーをバインドする。 計算されたバウンダリは、安全クリティカルなシステムにデプロイした場合に、これらのアルゴリズムの性能に確実性をもたらすことが期待されている。
  論文  参考訳（メタデータ） (2020-11-30T22:19:44Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。