論文の概要: EdgeLPR: On the Deep Neural Network trade-off between Precision and Performance in LiDAR Place Recognition

• arxiv url: http://arxiv.org/abs/2605.02275v1
• Date: Mon, 04 May 2026 06:52:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.165025
• Title: EdgeLPR: On the Deep Neural Network trade-off between Precision and Performance in LiDAR Place Recognition
• Title（参考訳）: EdgeLPR:LiDAR位置認識における精度と性能の深いニューラルネットワークトレードオフについて
• Authors: Pierpaolo Serio, Hetian Wang, Zixiang Wei, Vincenzo Infantino, Lorenzo Gentilini, Lorenzo Pollini, Valentina Donzella,
• Abstract要約: 本研究では、BirdのEye View表現を活用することにより、EdgeAIの効率的なLiDARベースの位置認識について検討する。 実験によって、正確性、堅牢性、効率性のトレードオフが明らかになる。 エッジデプロイメントのためのニューラルネットワークの 'use-case' 対応量子化に関する今後の研究の強力な基盤となっている。
• 参考スコア（独自算出の注目度）: 1.8005402526211627
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Place recognition is essential for long-term autonomous navigation, enabling loop closure and consistent mapping. Although deep learning has improved performance, deploying such models on resource-constrained platforms remains challenging. This work explores efficient LiDAR-based place recognition for EdgeAI by leveraging Bird's Eye View representations to enable lightweight image-based networks. We benchmark representative architectures without aggregation heads using a unified descriptor scheme based on global pooling and linear projection, and evaluate performance under FP32, FP16, and INT8 quantization. Experiments reveal trade-offs between accuracy, robustness, and efficiency: FP16 matches FP32 with lower cost, while INT8 introduces architecture-dependent degradation. Overall, the presented results are a strong basis for future research on 'use-case'-aware quantisation of Neural Networks for Edge deployment.
• Abstract（参考訳）: 長期の自律ナビゲーションには位置認識が不可欠であり、ループの閉鎖と一貫したマッピングを可能にする。 ディープラーニングはパフォーマンスを改善したが、そのようなモデルをリソース制約のあるプラットフォームにデプロイすることは依然として困難である。 本研究では、BirdのEye View表現を利用して、EdgeAIの効率の良いLiDARベースの位置認識を探索し、軽量な画像ベースネットワークを実現する。 FP32, FP16, INT8量子化において, 大域的なプーリングと線形射影に基づく統一記述子スキームを用いてアグリゲーションヘッドのない代表アーキテクチャをベンチマークし, 性能評価を行った。 FP16はFP32と低コストで一致し、INT8はアーキテクチャに依存した劣化をもたらす。 全体として、提示された結果は、エッジデプロイメントのためのニューラルネットワークの'use-case'を意識した量子化に関する将来の研究の強力な基盤となっている。

関連論文リスト

• SlimEdge: Lightweight Distributed DNN Deployment on Constrained Hardware [0.6219985442687116]
  ディープ・分散・ネットワーク(DNN)は現代のコンピュータビジョンの中心となっている。 本手法は,ネットワーク容量を不均一なデバイス制約に合わせるために,構造化モデルプルーニングと多目的最適化を統合した。 その結果, 精度とメモリフットプリントのユーザ指定境界を満たすとともに, 1.2xから5.0xまでの推論遅延を低減できることがわかった。
  論文  参考訳（メタデータ） (2025-12-11T04:02:21Z)
• FEDONet : Fourier-Embedded DeepONet for Spectrally Accurate Operator Learning [0.21847754147782886]
  DeepONetsは非線形演算子を学習するための強力なデータ駆動フレームワークとして登場した。 FEDONetは従来のDeepONetよりも優れたパフォーマンスを示している。 FEDONetは、すべてのベンチマークPDEに対して一貫して優れた再構築精度を提供する。
  論文  参考訳（メタデータ） (2025-09-15T18:13:28Z)
• Efficient Memristive Spiking Neural Networks Architecture with Supervised In-Situ STDP Method [0.0]
  時間的スパイクエンコーディングを備えたメムリスタベースのスパイキングニューラルネットワーク(SNN)は、超低エネルギー計算を可能にする。 本稿では,新しい教師付きin-situ学習アルゴリズムを用いて学習した回路レベルのメムリシブスパイクニューラルネットワーク(SNN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-07-28T17:09:48Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Performance Analysis of Various EfficientNet Based U-Net++ Architecture for Automatic Building Extraction from High Resolution Satellite Images [0.0]
  ビルディング抽出は高解像度リモートセンシング画像のセマンティックセグメンテーションに大きく依存している。 本研究では,ネットワークバックボーンをベースとした様々なU-Net++を提案する。 実験結果によると,提案モデルは従来の最先端アプローチよりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-09-05T18:14:14Z)
• SmoothNets: Optimizing CNN architecture design for differentially private deep learning [69.10072367807095]
  DPSGDは、サンプルごとの勾配の切り抜きとノイズ付けを必要とする。 これにより、非プライベートトレーニングと比較してモデルユーティリティが削減される。 SmoothNetと呼ばれる新しいモデルアーキテクチャを蒸留し,DP-SGDトレーニングの課題に対するロバスト性の向上を特徴とした。
  論文  参考訳（メタデータ） (2022-05-09T07:51:54Z)
• FxP-QNet: A Post-Training Quantizer for the Design of Mixed Low-Precision DNNs with Dynamic Fixed-Point Representation [2.4149105714758545]
  我々は、ディープニューラルネットワーク(FxP-QNet)の固定点量子化器(FixP-QNet)と呼ばれる新しいフレームワークを提案する。 FxP-QNetは、ネットワーク精度と低精度要求との間のトレードオフに基づいて、各レイヤのデータ構造ごとに量子化レベルを適用する。 その結果、FxP-QNet量子化されたAlexNet、VGG-16、ResNet-18は、全精度のメモリ要求を0.95%未満の7.16x、10.36x、6.44x、1.99%削減した。
  論文  参考訳（メタデータ） (2022-03-22T23:01:43Z)
• Deep Structured Instance Graph for Distilling Object Detectors [82.16270736573176]
  本稿では,検出システム内の情報を利用して,検出知識の蒸留を容易にするための簡単な知識構造を提案する。 我々は,1段と2段の両方の検出器上で,多様な学生-教師ペアによるCOCOオブジェクト検出の課題に対して,新しい最先端の成果を達成した。
  論文  参考訳（メタデータ） (2021-09-27T08:26:00Z)
• DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator Search [55.164053971213576]
  畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。 構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。 既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
  論文  参考訳（メタデータ） (2020-11-04T07:43:01Z)
• ResNeSt: Split-Attention Networks [86.25490825631763]
  このアーキテクチャは、異なるネットワークブランチにチャンネルワイズを応用し、機能間相互作用のキャプチャと多様な表現の学習の成功を活用する。 我々のモデルはResNeStと呼ばれ、画像分類の精度と遅延トレードオフにおいてEfficientNetより優れています。
  論文  参考訳（メタデータ） (2020-04-19T20:40:31Z)
• Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
  本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。 RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。 ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
  論文  参考訳（メタデータ） (2020-03-16T16:54:36Z)

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。