論文の概要: BlankSkip: Early-exit Object Detection onboard Nano-drones

• arxiv url: http://arxiv.org/abs/2603.28149v1
• Date: Mon, 30 Mar 2026 08:14:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.293386
• Title: BlankSkip: Early-exit Object Detection onboard Nano-drones
• Title（参考訳）: BlankSkip: ナノドロンの早期排他物検出
• Authors: Carlo Marra, Beatrice Alessandra Motetti, Alessio Burrello, Enrico Macii, Massimo Poncino, Daniele Jahier Pagliari,
• Abstract要約: デバイス上でのオブジェクト検出のための適応型ネットワークであるBlankSkipを提案する。 実世界のナノドローンプラットフォームを用いた実験により,平均スループットを最大24%向上させることができた。
• 参考スコア（独自算出の注目度）: 4.39782276628137
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deploying tiny computer vision Deep Neural Networks (DNNs) on-board nano-sized drones is key for achieving autonomy, but is complicated by the extremely tight constraints of their computational platforms (approximately 10 MiB memory, 1 W power budget). Early-exit adaptive DNNs that dial down the computational effort for "easy-to-process" input frames represent a promising way to reduce the average inference latency. However, while this approach is extensively studied for classification, its application to dense tasks like object detection (OD) is not straightforward. In this paper, we propose BlankSkip, an adaptive network for on-device OD that leverages a simple auxiliary classification task for early exit, i.e., identifying frames with no objects of interest. With experiments using a real-world nano-drone platform, the Bitcraze Crazyflie 2.1, we achieve up to 24% average throughput improvement with a limited 0.015 mean Average Precision (mAP) drop compared to a static MobileNet-SSD detector, on a state-of-the-art nano-drones OD dataset.
• Abstract（参考訳）: 小型のコンピュータビジョン ナノサイズのドローンにDeep Neural Networks(DNN)を配置することは、自律性を達成するための鍵であるが、計算プラットフォーム(約10MiBメモリ、1Wの電力予算)の極めて厳しい制約によって複雑である。 入力フレームの計算労力を削減した初期出力適応型DNNは、平均推論遅延を低減するための有望な方法である。 しかしながら、このアプローチは分類のために広く研究されているが、オブジェクト検出(OD)のような密集したタスクへの応用は容易ではない。 本稿では,デバイス上でのODのための適応型ネットワークであるBlankSkipを提案する。 実世界のナノドローンプラットフォームであるBitcraze Crazyflie 2.1を用いた実験により、最先端のナノドローンODデータセット上で、静的MobileNet-SSD検出器と比較して、平均平均精度(mAP)が0.015に制限され、平均スループットが最大24%向上した。

関連論文リスト

• On-device Self-supervised Learning of Visual Perception Tasks aboard Hardware-limited Nano-quadrotors [53.59319391812798]
  SI50グラム以下のナノドロンは、学術と産業の両方で勢いを増している。 彼らの最も魅力的なアプリケーションは、知覚のためのディープラーニングモデルに依存している。 未知の環境にデプロイする場合、これらのモデルはドメインシフトによってパフォーマンスが低下することが多い。 本研究では,ナノドローンを用いたデバイス上での学習を初めて提案する。
  論文  参考訳（メタデータ） (2024-03-06T22:04:14Z)
• High-throughput Visual Nano-drone to Nano-drone Relative Localization using Onboard Fully Convolutional Networks [51.23613834703353]
  相対的なドローンとドローンのローカライゼーションは、どんなSwarm操作でも基本的なビルディングブロックである。 我々は、新しいビジョンベース完全畳み込みニューラルネットワーク(FCNN)に基づく垂直統合システムを提案する。 その結果,水平画像座標で32～47%,垂直画像座標で18～55%,実世界の30k画像のデータセットでR2乗改善が得られた。
  論文  参考訳（メタデータ） (2024-02-21T12:34:31Z)
• Secure Deep Learning-based Distributed Intelligence on Pocket-sized Drones [75.80952211739185]
  パームサイズのナノドロンはエッジノードの魅力的なクラスであるが、その限られた計算資源は大規模なディープラーニングモデルの実行を妨げている。 エッジフォッグ計算のパラダイムを採用することで、計算の一部をフォグにオフロードすることができるが、フォグノードや通信リンクが信頼できない場合、セキュリティ上の懸念が生じる。 ナノドローン上でランダムなサブネットワークを冗長に実行することにより,霧の計算を検証する分散エッジフォッグ実行方式を提案する。
  論文  参考訳（メタデータ） (2023-07-04T08:29:41Z)
• Channel-Aware Distillation Transformer for Depth Estimation on Nano Drones [9.967643080731683]
  本稿では,ナノドローンの障害物回避のための軽量CNN深度推定ネットワークを提案する。 知識蒸留(KD)にインスパイアされたCADiT (Channel-Aware Distillation Transformer) を提案する。 提案手法はKITTIデータセット上で検証され,超低消費電力マイクロプロセッサGAP8を用いたナノドローンCrzyflieで試験された。
  論文  参考訳（メタデータ） (2023-03-18T10:45:34Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)

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。