論文の概要: Energy-Efficient Fast Object Detection on Edge Devices for IoT Systems

• arxiv url: http://arxiv.org/abs/2602.09515v1
• Date: Tue, 10 Feb 2026 08:18:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.44353
• Title: Energy-Efficient Fast Object Detection on Edge Devices for IoT Systems
• Title（参考訳）: IoTシステム用エッジデバイスにおけるエネルギー効率の良い高速物体検出
• Authors: Mas Nurul Achmadiah, Afaroj Ahamad, Chi-Chia Sun, Wen-Kai Kuo,
• Abstract要約: 本稿では,フレーム差分法による高速物体検出にAI分類器を用いたモノのインターネット(IoT)アプリケーションを提案する。 AMD AlveoT M U50, Jetson Orin Nano, Hailo-8T M AI Acceleratorの3つのエッジデバイスでこの技術を実装した。 我々は、鳥、車、列車、飛行機など様々なクラスを調査した。 提案アルゴリズムは,平均精度向上率を28.314%,平均効率向上率を3.6倍,平均遅延低減率を39.305%向上させた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents an Internet of Things (IoT) application that utilizes an AI classifier for fast-object detection using the frame difference method. This method, with its shorter duration, is the most efficient and suitable for fast-object detection in IoT systems, which require energy-efficient applications compared to end-to-end methods. We have implemented this technique on three edge devices: AMD AlveoT M U50, Jetson Orin Nano, and Hailo-8T M AI Accelerator, and four models with artificial neural networks and transformer models. We examined various classes, including birds, cars, trains, and airplanes. Using the frame difference method, the MobileNet model consistently has high accuracy, low latency, and is highly energy-efficient. YOLOX consistently shows the lowest accuracy, lowest latency, and lowest efficiency. The experimental results show that the proposed algorithm has improved the average accuracy gain by 28.314%, the average efficiency gain by 3.6 times, and the average latency reduction by 39.305% compared to the end-to-end method. Of all these classes, the faster objects are trains and airplanes. Experiments show that the accuracy percentage for trains and airplanes is lower than other categories. So, in tasks that require fast detection and accurate results, end-to-end methods can be a disaster because they cannot handle fast object detection. To improve computational efficiency, we designed our proposed method as a lightweight detection algorithm. It is well suited for applications in IoT systems, especially those that require fast-moving object detection and higher accuracy.
• Abstract（参考訳）: 本稿では,フレーム差分法による高速物体検出にAI分類器を用いたモノのインターネット(IoT)アプリケーションを提案する。 この方法は、短い期間で、エンドツーエンドの手法と比較してエネルギー効率の高いアプリケーションを必要とするIoTシステムにおいて、最も効率的で、高速なオブジェクト検出に適している。 AMD AlveoT M U50、Jetson Orin Nano、Haylo-8T M AI Acceleratorの3つのエッジデバイスと、人工ニューラルネットワークとトランスフォーマーモデルを備えた4つのモデルでこの技術を実装した。 我々は、鳥、車、列車、飛行機など様々なクラスを調査した。 フレーム差分法を用いて、MobileNetモデルは、常に高い精度、低レイテンシを持ち、エネルギー効率が高い。 YOLOXは、常に最低精度、最低レイテンシ、最低効率を示している。 実験の結果,提案アルゴリズムは平均精度を28.314%向上し,平均効率を3.6倍改善し,平均遅延を39.305%低減した。 これらのクラスの中で、より速い物体は列車と飛行機である。 実験により、列車や飛行機の精度が他のカテゴリーよりも低いことが示された。 したがって、高速な検出と正確な結果を必要とするタスクでは、高速なオブジェクト検出を処理できないため、エンドツーエンドのメソッドは惨事になる可能性がある。 計算効率を向上させるために,提案手法を軽量検出アルゴリズムとして設計した。 IoTシステム、特に高速で動くオブジェクト検出と高い精度を必要とするアプリケーションに適している。

関連論文リスト

• AirShot: Efficient Few-Shot Detection for Autonomous Exploration [18.09990606406497]
  ロボット探索では、オンラインで提供されたいくつかの例で、見えない物体を見つけるためにロボットが必要とされる。 既存のメソッドは、主に信頼性の低い機能と徹底したクラスループのために、パフォーマンスと効率の課題に直面しています。 我々は新しいパラダイムであるAirShotを提案し、AirShotは価値ある相関マップを完全に活用することによって、より堅牢な数発のオブジェクト検出システムを実現する。
  論文  参考訳（メタデータ） (2024-04-07T20:39:31Z)
• DETRs Beat YOLOs on Real-time Object Detection [5.426236055184119]
  YOLOシリーズは、速度と精度のトレードオフにより、リアルタイムオブジェクト検出の最も一般的なフレームワークとなっている。 近年、エンドツーエンドのTransformer-based detector (DETR) は、NMSを除去する代替手段を提供している。 本稿では,初のリアルタイム終端物体検出装置であるリアルタイム検出TRansformer(RT-DETR)を提案する。
  論文  参考訳（メタデータ） (2023-04-17T08:30:02Z)
• EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
  本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。 我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。 私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
  論文  参考訳（メタデータ） (2023-02-15T06:05:14Z)
• Fewer is More: Efficient Object Detection in Large Aerial Images [59.683235514193505]
  本稿では,検出者がより少ないパッチに注目するのに対して,より効率的な推論とより正確な結果を得るのに役立つObjectness Activation Network(OAN)を提案する。 OANを用いて、5つの検出器は3つの大規模な空中画像データセットで30.0%以上のスピードアップを取得する。 我々はOANをドライブシーン物体検出と4Kビデオ物体検出に拡張し,検出速度をそれぞれ112.1%,75.0%向上させた。
  論文  参考訳（メタデータ） (2022-12-26T12:49:47Z)
• ETAD: A Unified Framework for Efficient Temporal Action Detection [70.21104995731085]
  時間的行動検出(TAD)のようなトリミングされていないビデオ理解は、しばしば計算資源に対する膨大な需要の苦痛に悩まされる。 我々は、効率的なエンド・ツー・エンドの時間的行動検出(ETAD)のための統合されたフレームワークを構築している。 ETADはTHUMOS-14とActivityNet-1.3の両方で最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-05-14T21:16:21Z)
• Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
  Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。 計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。 また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-23T06:24:31Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)
• 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。