論文の概要: SC-MII: Infrastructure LiDAR-based 3D Object Detection on Edge Devices for Split Computing with Multiple Intermediate Outputs Integration
- arxiv url: http://arxiv.org/abs/2601.07119v1
- Date: Mon, 12 Jan 2026 01:17:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-13 19:08:01.16907
- Title: SC-MII: Infrastructure LiDAR-based 3D Object Detection on Edge Devices for Split Computing with Multiple Intermediate Outputs Integration
- Title（参考訳）: SC-MII:複数の中間出力を統合した分割コンピューティングのためのエッジデバイス上でのインフラストラクチャLiDARに基づく3Dオブジェクト検出
- Authors: Taisuke Noguchi, Takayuki Nishio, Takuya Azumi,
- Abstract要約: LiDARベースのポイントクラウドデータとディープニューラルネットワークを用いた3Dオブジェクト検出は、自動運転技術において不可欠である。
最先端デバイスに最先端モデルをデプロイすることは、高い計算要求とエネルギー消費による課題を示す。
本稿では,複数の中間出力を統合した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での複数インフラLiDARベースの3Dオブジェクト検出であるSC-MIIを提案する。
- 参考スコア（独自算出の注目度）: 1.1761374316223123
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D object detection using LiDAR-based point cloud data and deep neural networks is essential in autonomous driving technology. However, deploying state-of-the-art models on edge devices present challenges due to high computational demands and energy consumption. Additionally, single LiDAR setups suffer from blind spots. This paper proposes SC-MII, multiple infrastructure LiDAR-based 3D object detection on edge devices for Split Computing with Multiple Intermediate outputs Integration. In SC-MII, edge devices process local point clouds through the initial DNN layers and send intermediate outputs to an edge server. The server integrates these features and completes inference, reducing both latency and device load while improving privacy. Experimental results on a real-world dataset show a 2.19x speed-up and a 71.6% reduction in edge device processing time, with at most a 1.09% drop in accuracy.
- Abstract（参考訳）: LiDARベースのポイントクラウドデータとディープニューラルネットワークを用いた3Dオブジェクト検出は、自動運転技術において不可欠である。
しかし、最先端デバイスに最先端モデルをデプロイすることは、高い計算要求とエネルギー消費のために困難を呈する。
さらに、単一のLiDARセットアップは盲点に悩まされる。
本稿では,複数の中間出力を統合した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での複数インフラLiDARベースの3Dオブジェクト検出であるSC-MIIを提案する。
SC-MIIでは、エッジデバイスは初期DNN層を通してローカルポイントクラウドを処理し、中間出力をエッジサーバに送信する。
サーバはこれらの機能を統合し、推論を完了し、プライバシーを改善しながらレイテンシとデバイスの負荷の両方を削減する。
実世界のデータセットの実験結果は、2.19倍のスピードアップと71.6%のエッジデバイス処理時間を削減し、少なくとも1.09%の精度で削減された。
関連論文リスト
- TransBridge: Boost 3D Object Detection by Scene-Level Completion with Transformer Decoder [66.22997415145467]
本稿では,スパース領域における検出機能を改善する共同補完・検出フレームワークを提案する。
具体的には,トランスブリッジ(TransBridge)を提案する。トランスブリッジ(TransBridge)はトランスフォーマーをベースとした新しいアップサンプリングブロックである。
その結果,本フレームワークは,各手法の平均精度(mAP)が0.7から1.5の範囲で,エンドツーエンドの3Dオブジェクト検出を一貫して改善していることがわかった。
論文 参考訳（メタデータ） (2025-12-12T00:08:03Z) - Video Object Recognition in Mobile Edge Networks: Local Tracking or Edge Detection? [57.000348519630286]
モバイルエッジコンピューティングの最近の進歩により、高精度ニューラルネットワークを備えたエッジサーバに集約的なオブジェクト検出をオフロードすることが可能になった。
このハイブリッドアプローチは有望なソリューションを提供するが、新たな課題として、エッジ検出とローカルトラッキングのタイミングを決定する。
局所的なトラッキングとエッジ検出を適応的に選択する深層強化学習に基づくアルゴリズムである単一デバイス環境での LTED-Ada を提案する。
論文 参考訳（メタデータ） (2025-11-25T04:54:51Z) - 3D Point Cloud Object Detection on Edge Devices for Split Computing [0.0]
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。
論文 参考訳（メタデータ） (2025-11-04T06:15:24Z) - Real-Time Detection and Tracking of Foreign Object Intrusions in Power Systems via Feature-Based Edge Intelligence [4.60587070358843]
本稿では,電力伝送システムにおけるリアルタイム異物侵入(FOI)検出と追跡のための新しい枠組みを提案する。
本フレームワークは,(1)高速で堅牢なオブジェクトローカライゼーションのためのYOLOv7セグメンテーションモデル,(2)三重項損失を訓練したConvNeXtベースの特徴抽出器,(3)特徴支援IoUトラッカーを統合した。
スケーラブルなフィールドデプロイメントを実現するため、パイプラインは、混合精度推論を使用して、低コストのエッジハードウェアへのデプロイメントに最適化されている。
論文 参考訳（メタデータ） (2025-09-16T17:17:03Z) - FALO: Fast and Accurate LiDAR 3D Object Detection on Resource-Constrained Devices [38.61635285386612]
既存のLiDAR 3Dオブジェクト検出方法はスパース畳み込みやトランスフォーマーに依存しており、リソース制約のあるエッジデバイス上では実行が困難である。
ハードウェアフレンドリーなLiDAR3D検出手法であるFALOを提案し,SOTA(State-of-the-art)検出精度と高速推論速度の両方を提供する。
論文 参考訳（メタデータ） (2025-06-04T22:46:28Z) - Moby: Empowering 2D Models for Efficient Point Cloud Analytics on the
Edge [11.588467580653608]
3Dオブジェクト検出は多くのアプリケーションにおいて重要な役割を担っている。
計算能力が限られているため、高度に複雑なニューラルネットワークを用いてエッジ上で3D検出を実行することは困難である。
クラウドへのオフロードのような一般的なアプローチは、送信中の大量のポイントクラウドデータのために、大きな遅延オーバーヘッドを引き起こす。
提案するMobyは,我々のアプローチの実現可能性と可能性を示す新しいシステムである。
論文 参考訳（メタデータ） (2023-02-18T03:42:31Z) - Super Sparse 3D Object Detection [48.684300007948906]
LiDARベースの3Dオブジェクト検出は、自動運転における長距離認識にますます貢献する。
高速な長距離検出を実現するため,まずフルスパース物体検出器FSDを提案する。
FSD++は、連続するフレーム間の点変化を示す残差点を生成する。
論文 参考訳（メタデータ） (2023-01-05T17:03:56Z) - Fully Sparse 3D Object Detection [57.05834683261658]
長距離LiDARオブジェクト検出のためのフルスパース3Dオブジェクト検出器(FSD)を構築した。
FSDは一般的なスパース・ボクセル・エンコーダと新しいスパース・インスタンス認識(SIR)モジュール上に構築されている。
SIRは、ポイントをインスタンスにグループ化することで、以前のポイントベースのメソッドでの待ち行列クエリを避ける。
論文 参考訳（メタデータ） (2022-07-20T17:01:33Z) - Achieving Real-Time LiDAR 3D Object Detection on a Mobile Device [53.323878851563414]
本稿では,強化学習技術を用いたネットワーク拡張とpruning検索を組み込んだコンパイラ対応統一フレームワークを提案する。
具体的には,リカレントニューラルネットワーク(RNN)を用いて,ネットワークの強化とプルーニングの両面での統一的なスキームを自動で提供する。
提案手法は,モバイルデバイス上でのリアルタイム3次元物体検出を実現する。
論文 参考訳（メタデータ） (2020-12-26T19:41:15Z) - Neural Compression and Filtering for Edge-assisted Real-time Object
Detection in Challenged Networks [8.291242737118482]
我々はディープニューラルネットワーク(DNN)を用いた遠隔物体検出支援エッジコンピューティングに焦点をあてる。
無線リンクを介して送信されるデータの量を削減するためのフレームワークを開発する。
提案手法は,パラメータ領域における局所演算とエッジ演算の効果的な中間オプションを示す。
論文 参考訳（メタデータ） (2020-07-31T03:11:46Z) - 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。