論文の概要: Efficient Visual Anomaly Detection at the Edge: Enabling Real-Time Industrial Inspection on Resource-Constrained Devices
- arxiv url: http://arxiv.org/abs/2603.20288v1
- Date: Wed, 18 Mar 2026 10:38:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:38.805222
- Title: Efficient Visual Anomaly Detection at the Edge: Enabling Real-Time Industrial Inspection on Resource-Constrained Devices
- Title（参考訳）: エッジでの効率的な視覚異常検出:資源制約デバイスにおける実時間産業検査の実現
- Abstract要約: エッジ配置のための2つの効率的な視覚異常検出法を提案する。
PatchCore-LiteとPadim-Liteは人気のあるPatchCoreとPaDiMモデルをベースにしている。
本手法をMVTec ADとVisAベンチマークで評価し,エッジ環境への適合性を示す。
- 参考スコア（独自算出の注目度）: 10.629206528012052
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Visual Anomaly Detection (VAD) is essential for industrial quality control, enabling automatic defect detection in manufacturing. In real production lines, VAD systems must satisfy strict real-time and privacy requirements, necessitating a shift from cloud-based processing to local edge deployment. However, processing data locally on edge devices introduces new challenges because edge hardware has limited memory and computational resources. To overcome these limitations, we propose two efficient VAD methods designed for edge deployment: PatchCore-Lite and Padim-Lite, based on the popular PatchCore and PaDiM models. PatchCore-Lite runs first a coarse search on a product-quantized memory bank, then an exact search on a decoded subset. Padim-Lite is sped up using diagonal covariance, turning Mahalanobis distance into efficient element-wise computation. We evaluate our methods on the MVTec AD and VisA benchmarks and show their suitability for edge environments. PatchCore-Lite achieves a remarkable 79% reduction in total memory footprint, while PaDiM-Lite achieves substantial efficiency gains with a 77% reduction in total memory and a 31% decrease in inference time. These results show that VAD can be effectively deployed on edge devices, enabling real-time, private, and cost-efficient industrial inspection.
- Abstract（参考訳）: 産業品質管理には視覚異常検出(VAD)が不可欠であり、製造における自動欠陥検出を可能にする。
実運用ラインでは、VADシステムは厳格なリアルタイムとプライバシ要件を満たす必要があり、クラウドベースの処理からローカルなエッジデプロイメントに移行する必要がある。
しかし、エッジハードウェアはメモリと計算資源が限られているため、エッジデバイス上でデータをローカルに処理することが新たな課題となる。
これらの制限を克服するために,PatchCore-LiteとPadim-Liteの2つの効率的なVAD手法を提案する。
PatchCore-Liteはまず製品量子化されたメモリバンク上で粗い検索を行い、次にデコードされたサブセット上で正確な検索を行う。
パディム・ライトは対角共分散を用いてスピンアップされ、マハラノビス距離を効率的な要素演算に変換する。
本手法をMVTec ADとVisAベンチマークで評価し,エッジ環境への適合性を示す。
PatchCore-Liteはメモリ総フットプリントを79%削減し、PaDiM-Liteは77%のメモリ削減と31%の推論時間で大幅な効率向上を達成した。
これらの結果から, VADはエッジデバイスに効果的に展開でき, リアルタイム, プライベート, コスト効率の高い産業検査が可能であった。
関連論文リスト
- LiZAD: A Lightweight Zero-Shot Anomaly Detection Framework for Industrial Manufacturing [17.337519621522727]
LiZADは、エッジデバイスでの使用に適したリアルタイムZSAD用に設計された軽量フレームワークである。
平均メモリダウンは61.5%、パラメータダウンは74.6%、スピードアップは3.02倍である。
NVIDIAのJetson NXとJetson AGXのエッジデバイスに配備され、ヴェローナ大学のインダストリアル・コンピュータ・エンジニアリング・ラボ(ICE Lab)の実際の生産ラインでテストされている。
論文 参考訳（メタデータ） (2026-07-02T09:40:42Z) - LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。
しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。
本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
論文 参考訳（メタデータ） (2026-06-26T09:11:59Z) - Continual Visual Anomaly Detection on the Edge: Benchmark and Efficient Solutions [11.262875405161417]
視覚異常検出(VAD)は、産業検査や医療を含む多くのアプリケーションにとって重要な課題である。
本ベンチマークは, 協調効率および適応性制約下での最適バックボーン法とVOD法の選択に関するガイダンスを提供する。
本稿では,3つの軽量バックボーンアーキテクチャにまたがる7つのVADモデルの評価を行い,連続学習シナリオにおけるエッジ上でのVADの総合ベンチマークを提案する。
論文 参考訳（メタデータ） (2026-04-07T20:19:34Z) - Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。
Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。
既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
論文 参考訳（メタデータ） (2026-03-29T12:26:35Z) - AdaSpot: Spend Resolution Where It Matters for Precise Event Spotting [59.31340724915079]
イベントスポッティングは、スポーツ分析、ロボティクス、自律システムにおけるアプリケーションにとって重要なタスクである。
bfAdaSpotは厳格な評価基準の下で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-02-25T16:24:48Z) - LUT-Compiled Kolmogorov-Arnold Networks for Lightweight DoS Detection on IoT Edge Devices [20.271194684947282]
Kolmogorov-Arnold Networks (KAN) は、MLP(Multi-Layer Perceptrons)に代わるコンパクトな代替品を提供する。
B-spline評価は、レイテンシクリティカルなIoTアプリケーションには適さない、大幅な計算オーバーヘッドをもたらす。
本稿では,高価なスプライン計算を事前計算した量子テーブルに置き換えるルックアップテーブル(LUT)コンパイルパイプラインを提案する。
論文 参考訳（メタデータ） (2026-01-12T22:32:18Z) - PatchBlock: A Lightweight Defense Against Adversarial Patches for Embedded EdgeAI Devices [5.082257334702858]
アドリアックは、EdgeAIアプリケーションにマシンラーニングモデルを確実にデプロイする上で、大きな課題となる。
画像中の逆パッチを検出し中和するフレームワークであるPatchBlockを提案する。
PatchBlockは頑丈さを継続的に改善し、強力なパッチアタックのモデル精度の77%を回復することを示す。
論文 参考訳（メタデータ） (2026-01-01T15:04:16Z) - Memory Efficient Continual Learning for Edge-Based Visual Anomaly Detection [4.790817958353412]
本稿では,エッジデバイス上での視覚異常検出における連続学習の課題について,新たな考察を行う。
エッジデバイス上でのメモリフットプリントが低いことを考慮し,STFPM手法の評価を行った。
本研究は,資源制約エッジデバイス上でのCLADシナリオに適応し,漸進的に学習するVADモデルをデプロイ可能であることを示す。
論文 参考訳（メタデータ） (2025-03-04T15:03:47Z) - SoftPatch+: Fully Unsupervised Anomaly Classification and Segmentation [84.07909405887696]
本論文は、完全教師なし産業異常検出(すなわち、ノイズデータ付き教師なしAD)を初めて検討したものである。
メモリベースの非教師なしAD手法であるSoftPatchとSoftPatch+を提案する。
既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
様々なノイズシナリオで実施された総合的な実験により、SoftPatchとSoftPatch+はMVTecAD、ViSA、BTADのベンチマークで最先端のADメソッドよりも優れていた。
論文 参考訳（メタデータ） (2024-12-30T11:16:49Z) - PaSTe: Improving the Efficiency of Visual Anomaly Detection at the Edge [6.643376250301589]
視覚異常検出(VAD)は、異常画像を識別し、異常の原因となる特定の領域を特定できることから、重要な研究の注目を集めている。
現実世界のアプリケーションの可能性にもかかわらず、文献はリソース効率の高いVAD、特にエッジデバイスへのデプロイに限定して焦点を当てている。
この作業は、軽量ニューラルネットワークを活用してメモリと要求を削減し、リソース制約のあるエッジデバイスへのVADデプロイメントを可能にすることで、このギャップに対処する。
論文 参考訳（メタデータ） (2024-10-15T13:25:43Z) - 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) - FastPillars: A Deployment-friendly Pillar-based 3D Detector [63.0697065653061]
既存のBEVベースの(つまりバードアイビュー)検出器は、トレーニングと推論を高速化するためにスパース・コンボリューション(SPConv)を好む。
FastPillarsは、CenterPoint(SPConvベース)よりも1.8倍のスピードアップと3.8mAPH/L2の改善で、Openデータセットの最先端の精度を提供する
論文 参考訳（メタデータ） (2023-02-05T12:13:27Z) - 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)
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。