論文の概要: DenseScout: Algorithm-System Co-design for Budgeted Tiny Object Selection on Edge Platforms
- arxiv url: http://arxiv.org/abs/2604.25300v1
- Date: Tue, 28 Apr 2026 07:09:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.749503
- Title: DenseScout: Algorithm-System Co-design for Budgeted Tiny Object Selection on Edge Platforms
- Title（参考訳）: DenseScout:エッジプラットフォーム上での予算化オブジェクト選択のためのアルゴリズム-システム共設計
- Authors: Xiong Zhouzhi, Zimo Zeng, Yi Chen, Shuqi Xu, Yunfeng Yan, Donglian Qi,
- Abstract要約: 一般的な戦略は、まず高解像度画像から少数の候補パッチを選択し、選択した領域にのみ下流処理を適用することである。
DenseScoutは、1.01Mパラメータのみを持つ軽量な高密度応答セレクタで、軽量プロキシ入力を介して高解像度のシーンから候補パッチ位置をランク付けする。
DenseScoutは、オフラインの予算によるパッチ選択評価において、検出器ベースのベースラインを一貫して上回っている。
- 参考スコア（独自算出の注目度）: 11.959876283848255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deploying tiny object perception on edge platforms is challenging because practical systems must satisfy both strict compute budgets and end-to-end latency constraints. A common strategy is to first select a small number of candidate patches from a high-resolution image and then apply downstream processing only to the selected regions. However, existing detector-based frontends are not well aligned with this setting: strong offline detection accuracy does not necessarily yield effective low-budget patch prioritization, nor does it guarantee usable performance once transport and inference delays are considered. In this work, we study budgeted tiny object selection on edge platforms from a joint algorithm--system perspective. We present DenseScout, a lightweight dense-response selector with only 1.01M parameters, which directly ranks candidate patch locations from a high-resolution scene via a lightweight proxy input and is better aligned with low-budget tiny-object prioritization than detector-style frontends. To bridge offline selector quality and deployable utility, we further develop a transport-aware runtime realization on heterogeneous edge devices and adopt QoS-constrained recall, which counts a target as successfully perceived only if it is covered by the selected regions and the end-to-end processing finishes before the deadline. Experiments show that DenseScout consistently outperforms detector-based baselines in offline budgeted patch-selection evaluation, especially in low-budget regimes, while cross-platform results on RK3588 and Jetson Orin NX show that deployable performance depends jointly on selector quality and runtime realization efficiency. These results suggest that edge tiny object perception should be optimized as an algorithm--system co-design problem rather than as isolated model selection.
- Abstract（参考訳）: エッジプラットフォームに小さなオブジェクト認識をデプロイするのは、厳格な計算予算とエンドツーエンドのレイテンシの制約の両方を満たす必要があるため、難しい。
一般的な戦略は、まず高解像度画像から少数の候補パッチを選択し、選択した領域にのみ下流処理を適用することである。
しかし、既存の検出器ベースのフロントエンドはこの設定とよく一致していない。強いオフライン検出精度が必ずしも効果的な低予算パッチ優先順位付けをもたらすとは限らないし、トランスポートや推論遅延を考慮して使用可能な性能を保証していない。
本研究では,システムの観点から,エッジプラットフォーム上での小さなオブジェクト選択の予算について検討する。
DenseScoutは1.01Mのパラメータしか持たない軽量の高密度応答セレクタで、軽量なプロキシ入力により高解像度のシーンから候補パッチ位置を直接ランク付けし、検出器スタイルのフロントエンドよりも低予算の小さなオブジェクト優先順位付けに適合する。
オフラインセレクタの品質とデプロイ可能なユーティリティを橋渡しするために、異種エッジデバイス上でのトランスポート対応ランタイムの実現をさらに進め、QoS制約のリコールを採用する。
RK3588とJetson Orin NXのクロスプラットフォーム結果は、デプロイ可能なパフォーマンスがセレクタの品質と実行時実現効率に大きく依存していることを示している。
これらの結果から, エッジ小物体認識は, 孤立モデル選択ではなく, アルゴリズム・システム共設計問題として最適化されるべきであることが示唆された。
関連論文リスト
- 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) - A Bayesian Approach to Low-Discrepancy Subset Selection [0.0]
低差分設計は準モンテカルロ法において中心的な役割を担い、機械学習、ロボティクス、コンピュータグラフィックスなど他の領域にも影響を与えている。
近年, サブセット選択という低分散性構築手法が注目されている。
カーネルの相違点に関する部分集合選択問題もNP-hardであることを示す。
論文 参考訳（メタデータ） (2026-02-16T10:11:07Z) - LaSSM: Efficient Semantic-Spatial Query Decoding via Local Aggregation and State Space Models for 3D Instance Segmentation [21.566771922153027]
競争性能を維持しつつ、シンプルさと効率性を優先するLaSSMを紹介します。
また、問合せを段階的に洗練する座標誘導状態空間モデル(SSM)デコーダを提案する。
LaSSMは最新のScanNet++ V2リーダーボードで1位にランクインし、以前のベストメソッドよりも2.5% mAP、1/3 FLOPを上回っている。
論文 参考訳（メタデータ） (2026-02-11T16:34:12Z) - Attention, Please! Revisiting Attentive Probing Through the Lens of Efficiency [20.320991233039965]
微調整が大規模で非現実的になると、好ましい評価プロトコルとして探索が出現する。
これは注意力を使ってパッチレベルの機能を選択的に集約する代替手段である注意力調査の必要性を動機付けている。
本稿では,既存の手法を総合的に検討し,その設計選択を解析し,性能をベンチマークする。
論文 参考訳（メタデータ） (2025-06-11T21:10:26Z) - Compact NSGA-II for Multi-objective Feature Selection [0.24578723416255746]
特徴選択を,分類精度を最大化し,選択した特徴数の最小化を目的とした多目的バイナリ最適化タスクとして定義する。
最適な特徴を選択するために,2進圧縮型NSGA-II (CNSGA-II) アルゴリズムを提案する。
我々の知る限りでは、これは特徴選択のために提案された最初のコンパクトな多目的アルゴリズムである。
論文 参考訳（メタデータ） (2024-02-20T01:10:12Z) - Refined Coreset Selection: Towards Minimal Coreset Size under Model
Performance Constraints [69.27190330994635]
コアセットの選択は、計算コストの削減とディープラーニングアルゴリズムのデータ処理の高速化に強力である。
本稿では,モデル性能とコアセットサイズに対する最適化優先順序を維持する革新的な手法を提案する。
実験的に、広範な実験によりその優位性が確認され、しばしばより小さなコアセットサイズでモデル性能が向上する。
論文 参考訳（メタデータ） (2023-11-15T03:43:04Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z) - Enhancing Object Detection for Autonomous Driving by Optimizing Anchor
Generation and Addressing Class Imbalance [0.0]
本研究では,より高速なR-CNNに基づく拡張型2次元物体検出器を提案する。
より高速なr-cnnに対する修正は計算コストを増加させず、他のアンカーベースの検出フレームワークを最適化するために容易に拡張できる。
論文 参考訳（メタデータ） (2021-04-08T16:58:31Z) - Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。
ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
論文 参考訳（メタデータ） (2021-03-18T08:47:56Z) - 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) - Projection & Probability-Driven Black-Box Attack [205.9923346080908]
既存のブラックボックス攻撃は、高次元空間における過剰なクエリを必要とする。
本稿では,この問題を解決するために,プロジェクション&確率駆動型ブラックボックス攻撃(PPBA)を提案する。
我々の手法は、最先端の手法に比べて攻撃成功率の高いクエリを少なくとも24%削減する必要がある。
論文 参考訳（メタデータ） (2020-05-08T03:37:50Z)
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。