論文の概要: Feature Coding for Scalable Machine Vision

• arxiv url: http://arxiv.org/abs/2512.10209v1
• Date: Thu, 11 Dec 2025 01:58:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.149613
• Title: Feature Coding for Scalable Machine Vision
• Title（参考訳）: スケーラブルマシンビジョンのための特徴符号化
• Authors: Md Eimran Hossain Eimon, Juan Merlos, Ashan Perera, Hari Kalva, Velibor Adzic, Borko Furht,
• Abstract要約: ディープニューラルネットワーク(DNN)は、現代的なマシンビジョンを駆動するが、高い計算要求のためにエッジデバイスにデプロイすることは困難である。 本稿では特徴符号化テストモデル(FCTM)の設計と性能について述べる。 FCMは、帯域幅に制限されたプライバシに敏感なコンシューマアプリケーションにインテリジェントな機能を効率よく、スケーラブルにデプロイするためのパスを提供する。
• 参考スコア（独自算出の注目度）: 0.8240941653749977
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep neural networks (DNNs) drive modern machine vision but are challenging to deploy on edge devices due to high compute demands. Traditional approaches-running the full model on-device or offloading to the cloud face trade-offs in latency, bandwidth, and privacy. Splitting the inference workload between the edge and the cloud offers a balanced solution, but transmitting intermediate features to enable such splitting introduces new bandwidth challenges. To address this, the Moving Picture Experts Group (MPEG) initiated the Feature Coding for Machines (FCM) standard, establishing a bitstream syntax and codec pipeline tailored for compressing intermediate features. This paper presents the design and performance of the Feature Coding Test Model (FCTM), showing significant bitrate reductions-averaging 85.14%-across multiple vision tasks while preserving accuracy. FCM offers a scalable path for efficient and interoperable deployment of intelligent features in bandwidth-limited and privacy-sensitive consumer applications.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、現代的なマシンビジョンを駆動するが、高い計算要求のためにエッジデバイスにデプロイすることは困難である。 従来のアプローチでは、デバイス上でのフルモデルの実行やクラウドへのオフロードは、レイテンシ、帯域幅、プライバシのトレードオフに直面していました。 エッジとクラウド間の推論ワークロードの分割は、バランスの取れたソリューションを提供するが、そのような分割を可能にする中間機能を送信することで、新たな帯域幅の課題がもたらされる。 これを解決するため、移動画像専門家グループ(MPEG)は、中間機能を圧縮するためのビットストリーム構文とコーデックパイプラインを確立するために、FCM(Feature Coding for Machines)標準を開始した。 本稿では,特徴符号化テストモデル (FCTM) の設計と性能について述べる。 FCMは、帯域幅制限とプライバシに敏感なコンシューマアプリケーションにおいて、インテリジェント機能の効率的かつ相互運用可能なデプロイメントのためのスケーラブルなパスを提供する。

関連論文リスト

• Enabling Next-Generation Consumer Experience with Feature Coding for Machines [0.8240941653749977]
  本稿では,移動画像専門家グループが開発したMPEG-AIの一部として,最新の特徴符号化(FCM)標準の概要を述べる。 FCMは、中間的ニューラルネットワーク機能の効率的な抽出、圧縮、送信を可能にすることで、AI駆動のアプリケーションをサポートする。 実験の結果、FCM標準は、リモート推論と比較して、要件を75.90%削減しながら、同じレベルの精度を維持していることがわかった。
  論文  参考訳（メタデータ） (2025-12-10T01:39:51Z)
• Semi-supervised Semantic Segmentation with Multi-Constraint Consistency Learning [81.02648336552421]
  本稿では,エンコーダとデコーダの段階的拡張を容易にするためのマルチ制約一貫性学習手法を提案する。 自己適応型特徴マスキングとノイズ注入は、デコーダの堅牢な学習のための特徴を摂動させるために、インスタンス固有の方法で設計されている。 Pascal VOC2012およびCityscapesデータセットの実験結果から,提案したMCCLが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-03-23T03:21:33Z)
• Task-Oriented Feature Compression for Multimodal Understanding via Device-Edge Co-Inference [54.53508601749513]
  本稿では,マルチモーダル理解のためのタスク指向特徴圧縮(TOFC)手法を提案する。 圧縮効率を向上させるために、視覚特徴の特性に基づいて複数のエントロピーモデルを適応的に選択する。 その結果,TOFCはデータ転送オーバーヘッドを最大52%削減し,システム遅延を最大63%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-03-17T08:37:22Z)
• Progressive Neural Compression for Adaptive Image Offloading under Timing Constraints [9.903309560890317]
  タイミング制約下での機械学習アプリケーションの推論性能を最大化する適応的アプローチを開発することが重要である。 本稿では,画像分類を対象とし,この問題の効率的な解法としてプログレッシブ・ニューラル・圧縮(PNC)を提案する。 我々は、最先端のニューラル圧縮アプローチとテストベッド上の従来の圧縮手法に対するPNCの利点を実証する。
  論文  参考訳（メタデータ） (2023-10-08T22:58:31Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• A Joint Energy and Latency Framework for Transfer Learning over 5G Industrial Edge Networks [53.26338041079138]
  5G産業エッジネットワークのための転送学習対応エッジCNNフレームワークを提案する。 特に、エッジサーバは、既存の画像データセットを使用してcnnを事前トレーニングすることができる。 TLの助けを借りて、トレーニングに参加していないデバイスは、訓練されたエッジCNNモデルをスクラッチからトレーニングせずに微調整するだけです。
  論文  参考訳（メタデータ） (2021-04-19T15:13:16Z)

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。