論文の概要: RAMS: Resource-Adaptive and Detection-Conditioned Model Switching for Embedded Edge Perception
- arxiv url: http://arxiv.org/abs/2606.14716v1
- Date: Thu, 14 May 2026 13:06:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-21 20:00:42.73741
- Title: RAMS: Resource-Adaptive and Detection-Conditioned Model Switching for Embedded Edge Perception
- Title（参考訳）: RAMS: 組込みエッジ認識のためのリソース適応型および検出型モデルスイッチング
- Authors: Kushal Khemani, Evan Leri, George Xu, Amit Hod,
- Abstract要約: 組込みハードウェア上でのエッジオブジェクト検出には、リソースの圧力変化による推論遅延と検出品質のバランスが必要である。
本稿では, デバイス圧力を監視し, アイドル動作からしきい値の切り換えを校正し, 3つのYOLOv8階層の中から動的に選択するランタイムコントローラであるRAMSを提案する。
Raspberry Pi 5、x86ラップトップ、Jetson Orin ONNX/TensorRTのデプロイでは、同じコントローラ方程式が37倍のレイテンシ範囲で動作する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Edge object detection on embedded hardware requires balancing inference latency and detection quality under changing resource pressure. We present RAMS, a lightweight runtime controller that monitors device pressure, calibrates switching thresholds from idle behavior, and dynamically selects among three resident YOLOv8 tiers (NANO/SMALL/MEDIUM at 320/416/640 px) without model-reload latency. RAMS defines five switching policies, including two detection-conditioned variants that prevent aggressive downgrades after recent vulnerable-road-user (VRU) detections. We further introduce the VRU-Weighted Accuracy Score (SWAS), a scalar metric for offline policy comparison without ground-truth annotations, together with an oracle-bounded variant that separates detector circularity from genuine tier-retention benefit. Across Raspberry Pi 5, x86 laptops, and Jetson Orin ONNX/TensorRT deployments, the same controller equations operate over a 37x latency range. On Jetson Orin TensorRT under heavy load, the safety2 policy achieves 3.41 ms mean latency, 5.6x faster than fixed-MEDIUM inference, while retaining 74% of its proxy accuracy through near-NANO operation with selective SMALL and MEDIUM locks during VRU-positive windows. Detection-conditioned switching improves SWAS by 25.4% under oracle scoring and 47.3% under detector-derived scoring relative to threshold-only policies under heavy load. Live KITTI evaluation reports per-tier VRU recall of 24.2%, 41.2%, and 59.0%, showing that reactive overrides are fundamentally limited by baseline detector recall.
- Abstract（参考訳）: 組込みハードウェア上でのエッジオブジェクト検出には、リソースの圧力変化による推論遅延と検出品質のバランスが必要である。
本稿では, デバイス圧力をモニタし, アイドル動作からしきい値の切替を校正する軽量ランタイムコントローラであるRAMSについて, モデル再負荷遅延を伴わずに, 3つの常駐YOLOv8層(NANO/SMALL/MEDium at 320/416/640 px)を動的に選択する。
RAMSは5つのスイッチングポリシーを定義しており、その中には最近の脆弱なロードユーザー(VRU)検出後、アグレッシブなダウングレードを防ぐ2つの検出条件付き変種が含まれている。
さらに,地平線アノテーションを使わずに,オフライン政策比較のためのスカラーメトリックであるVRU-Weighted Accuracy Score (SWAS)を紹介した。
Raspberry Pi 5、x86ラップトップ、Jetson Orin ONNX/TensorRTデプロイメント全体において、同じコントローラ方程式が37倍のレイテンシ範囲で動作する。
重い負荷下でのJetson Orin TensorRTでは、セーフティ2ポリシーは平均遅延3.41ms、固定MEDium推論の5.6倍の速さで達成されている。
検出条件付きスイッチングは、オラクルスコアで25.4%、検出器からのスコアで47.3%改善する。
ライブKITTI評価では、層ごとのVRUリコールは24.2%、41.2%、59.0%と報告されており、反応オーバーライドはベースライン検出器リコールによって基本的に制限されている。
関連論文リスト
- CALIBURN: A Regime-Sensitivity Study of Operationally Calibrated Streaming Intrusion Detection [0.0]
ストリーミングネットワーク侵入検知システムは、メモリのバウンドを維持しながら連続的にフローを処理しなければならない。
現在のほとんどの手法では、警告しきい値の選択は、運用に不適なポストホックチューニング問題として残されている。
本稿では,提案する5成分ストリーミング警告パイプラインであるCALIBURNについて述べる。
論文 参考訳（メタデータ） (2026-05-23T18:18:38Z) - Brain-inspired spike-timing plasticity for reliable label-efficient event-camera vision [0.3823356975862005]
ローカルスパイクタイピング依存可塑性(STDP)モジュールは、GPUをサポートせずに単一のCPUスレッドで動作する。
密度勾配訓練検出器は, 勾配訓練, 密度行列乗算, 局所可塑性自由運転を建設によって組み合わせることができない。
論文 参考訳（メタデータ） (2026-05-17T22:56:16Z) - WISV: Wireless-Informed Semantic Verification for Distributed Speculative Decoding in Device-Edge LLM Inference [56.297697169678095]
WISV(Wireless-Informed Semantic Verification)は、分散投機的復号化フレームワークである。
WISVは最大60.8%の許容長の増加、37.3%の対話ラウンドの削減、31.4%のエンドツーエンドレイテンシの改善を実現している。
NVIDIA Jetson AGX OrinとA40搭載サーバからなるハードウェアテストベッド上でWISVを検証する。
論文 参考訳（メタデータ） (2026-04-20T01:29:56Z) - Sharpness-Aware Surrogate Training for On-Sensor Spiking Neural Networks [0.0]
シュロゲートフォワードSNNにシャープネス対応シャープネス認識(SAST)を導入し,トレーニング対象がスムーズで勾配が正確であることを示す。
2つのイベントカメラベンチマークでは、スワップのみのハードスパイク精度が、N-MNISTでは65.7%から94.7%に改善され、DVS Gestureでは31.8%から63.3%に改善された。
これらの結果は、SASTがテスト設定下でのオンセンサースパイク推論のためのより広範なツールボックスの有望なコンポーネントであることを示唆している。
論文 参考訳（メタデータ） (2026-04-06T23:32:17Z) - Belief Dynamics for Detecting Behavioral Shifts in Safe Collaborative Manipulation [3.198214897627444]
ManiSkill共有ワークスペース操作タスクにおいて、制御された非定常性の下でのシステマティックスウィッチ検出について検討する。
10つの検出方法と5つのランダムなシードによって、検出が可能になったことにより、スウィッチ後の衝突が52%減少する。
UA-TOMは、凍結した視覚-言語-行動制御バックボーンを増強する軽量な信念追跡モジュールである。
論文 参考訳（メタデータ） (2026-04-04T02:41:09Z) - 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) - LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。
本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。
本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
論文 参考訳（メタデータ） (2026-01-18T12:08:38Z) - RemoteVAR: Autoregressive Visual Modeling for Remote Sensing Change Detection [52.32112533846212]
リモートセンシングによる変化検出は、環境モニタリングや災害評価といった応用の中心である。
視覚的自己回帰モデルは最近、印象的な画像生成能力を示しているが、画素レベルの識別タスクへの採用は、制御性の弱さ、最適下層予測性能、露出バイアスによって制限されている。
本稿では,これらの制約に対処する新しいVARベースの変化検出フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-17T03:50:00Z) - Near-chip Dynamic Vision Filtering for Low-Bandwidth Pedestrian
Detection [99.94079901071163]
本稿では、ダイナミックビジョンセンサ(DVS)を用いた歩行者検出のための新しいエンドツーエンドシステムを提案する。
我々は、複数のセンサがローカル処理ユニットにデータを送信し、検出アルゴリズムを実行するアプリケーションをターゲットにしている。
我々の検出器は450ミリ秒毎に検出を行うことができ、総合的なテストF1スコアは83%である。
論文 参考訳（メタデータ） (2020-04-03T17:36:26Z)
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。