論文の概要: Beyond Benchmarks: Continuous Edge Inference for Fine-Grained Roadside Perception

• arxiv url: http://arxiv.org/abs/2606.17241v1
• Date: Mon, 15 Jun 2026 19:39:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.118134
• Title: Beyond Benchmarks: Continuous Edge Inference for Fine-Grained Roadside Perception
• Title（参考訳）: ベンチマークを超えて - 微粒なロードサイド認識のための継続的エッジ推論
• Authors: Aditya Mishra, Haroon Lone,
• Abstract要約: We present Edge-TSR, a deployment-oriented continuous edge inference system for sustained roadside perception on the Jets NVIDIAon Orin Nano。 私たちの中心的な発見は、ベンチマーク中心の評価が、デプロイされたエッジ推論性能を体系的に過大評価していることです。 本稿では,継続的に運用されるエッジAIシステムにおいて,デプロイメント・アウェア評価と時間的推測安定化が不可欠であることを示す。
• 参考スコア（独自算出の注目度）: 1.7188280334580195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous AI inference on resource-constrained edge hardware introduces deployment effects that are largely invisible to conventional benchmark evaluation, including temporal instability in streaming video, thermal throttling under sustained load, and workload-dependent performance variability. We present Edge-TSR, a deployment-oriented continuous edge inference system for sustained roadside perception on the NVIDIA Jetson Orin Nano. Edge-TSR integrates detection, tracking, fine-grained classification, and a lightweight track-aware temporal stabilization mechanism that improves streaming inference consistency with negligible computational overhead. Our central finding is that benchmark-centric evaluation systematically overstates deployed edge inference performance. Across three state-of-the-art baselines, we observe consistent 20-30% relative degradation when transitioning from static-image evaluation to real-world streaming deployment. Edge-TSR addresses this gap through temporal inference stabilization, recovering up to 10.16% classification accuracy over per-frame inference baselines while maintaining sustained real-time performance under continuous operation. We evaluate the complete system under diverse real-world deployment conditions, jointly characterizing inference quality, latency, throughput, and thermal behavior during long-duration operation. A 55-minute vehicular deployment over a 26 km route demonstrates sustained operation at 16.18 FPS within safe thermal limits on a single embedded device without cloud offload. Our findings show that deployment-aware evaluation and temporal inference stabilization are necessary components of continuously operating edge AI systems intended for real-world sensing deployments. We release a sample annotated streaming video evaluation dataset and full system implementation to support reproducible deployment-centric evaluation.
• Abstract（参考訳）: リソース制約のあるエッジハードウェア上での継続的AI推論では、ストリーミングビデオの時間的不安定性、持続的な負荷下での熱的スロットリング、ワークロード依存のパフォーマンス変動など、従来のベンチマーク評価にほとんど見えないデプロイメント効果が導入されている。 We present Edge-TSR, a deployment-oriented continuous edge inference system for sustained roadside perception on the NVIDIA Jetson Orin Nano。 Edge-TSRは、検出、追跡、きめ細かな分類、および無視可能な計算オーバーヘッドによるストリーミング推論一貫性を改善する軽量なトラック対応時間安定化機構を統合している。 私たちの中心的な発見は、ベンチマーク中心の評価が、デプロイされたエッジ推論性能を体系的に過大評価していることです。 3つの最先端ベースラインにわたって、静的画像評価から実世界のストリーミングデプロイメントに移行する際に、一貫性のある20～30%の相対的な劣化を観察する。 Edge-TSRは時間的推論の安定化を通じてこのギャップに対処し、フレーム単位の推論ベースラインに対して最大10.16%の分類精度を回復し、継続的な操作下での継続的なリアルタイムパフォーマンスを維持した。 本研究では,長期運用時の予測品質,レイテンシ,スループット,熱的挙動を共同評価し,実世界の多様な展開条件下での完全なシステムの評価を行った。 26kmのルート上の55分間の車体展開は、雲を降ろさずに単一の組込みデバイスに安全な熱限界内にある16.18 FPSでの持続的な運転を示す。 この結果から,実環境におけるセンサ展開を意図したエッジAIシステムにおいて,デプロイメント対応評価と時間的推測安定化が不可欠であることが示唆された。 我々は、再現可能なデプロイメント中心の評価をサポートするために、アノテーション付きストリーミングビデオ評価データセットとフルシステム実装のサンプルをリリースする。

関連論文リスト

• Bench2Drive-Robust: Benchmarking Closed-Loop Autonomous Driving under Deployment Perturbations [122.22391796628408]
  Bench2Drive-Robustは、クローズドループのエンドツーエンド自動運転のための最初のデバイス中心の堅牢性ベンチマークである。 我々は,カメラストリーム障害,エゴ状態推定誤差,計算による制御遅延という3つの主要な原因から生じる展開指向の摂動を系統的に評価した。 以上の結果から,これらの展開に伴う摂動は閉ループ駆動性能を著しく低下させる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-05-18T08:45:24Z)
• Robust Cross-Domain WiFi Fall Detection via Physics-Driven Attention-Enhanced Transformers [64.35403680946182]
  WiFiチャンネル状態情報(CSI)を利用したデバイスフリーの転倒検出が,高齢者の健康モニタリングのための有望なソリューションとして浮上している。 既存のディープラーニングアプローチでは、目に見えない環境にデプロイされた場合、パフォーマンスが大幅に低下する。 本稿では,新しいCNN-Transformerハイブリッドアーキテクチャを特徴とする,堅牢で汎用的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-23T03:28:12Z)
• Inference-Time Temporal Probability Smoothing for Stable Video Segmentation with SAM2 under Weak Prompts [0.0]
  提案するフレームワークは軽量で、モデルに依存しず、リアルタイムでインタラクティブなビデオセグメンテーションに適している。 提案手法は,フレームワイドおよび時間安定性指標の総合的セットを用いて,4つの多様な映像系列に対して評価する。
  論文  参考訳（メタデータ） (2026-04-18T19:16:22Z)
• Nonlinear Performance Degradation of Vision-Based Teleoperation under Network Latency [0.0]
  本研究は, ネットワーク遅延の異なるカメラベースレーンにおける閉ループ安定性の非線形劣化について検討する。 ROS-Aware Vision Teleoperation Testbed (LAVT) を用いて, 様々な道路地形のシミュレーションにおいて180個の閉ループ実験を行った。 その結果,150msから225msの片方向知覚遅延が急激な安定性低下を示し,経路完了率は100%から50%以下に低下した。 追加の制御チャネル遅延化合物はこれらの効果を増大させ、一定の視覚遅延の下でもシステム障害を著しく加速させる。
  論文  参考訳（メタデータ） (2026-03-06T20:15:20Z)
• Robust Tightly-Coupled Filter-Based Monocular Visual-Inertial State Estimation and Graph-Based Evaluation for Autonomous Drone Racing [5.29147071389637]
  自律型ドローンレースのための堅牢な視覚-慣性推定フレームワークを提案する。 ADR-VINS は平均 RMS 変換 0.134 m, ADR-FGO は 0.060 m である。 最後に,ADR-FGOによる飛行後評価について述べる。
  論文  参考訳（メタデータ） (2026-03-03T08:43:49Z)
• Efficient On-Board Processing of Oblique UAV Video for Rapid Flood Extent Mapping [7.460695517551536]
  TTR(Temporal Token Reuse)は、組み込みデバイス上でビデオセグメンテーションを高速化する適応型推論フレームワークである。 我々は,TTRがセグメンテーション精度(0.5% mIoU)の劣化を無視して,推論遅延の30%低減を実現していることを示す。 これらの結果から,TTRは運用フロンティアを効果的にシフトさせ,高忠実でリアルタイムな斜めビデオ理解を可能にすることが確認された。
  論文  参考訳（メタデータ） (2026-01-16T13:41:56Z)
• Self Forcing: Bridging the Train-Test Gap in Autoregressive Video Diffusion [67.94300151774085]
  本稿では,自己回帰ビデオ拡散モデルのための新しい訓練パラダイムであるSelf Forcingを紹介する。 露光バイアスの長年の問題に対処し、地道的な文脈で訓練されたモデルは、自身の不完全な出力で条件付けられたシーケンスを生成する必要がある。
  論文  参考訳（メタデータ） (2025-06-09T17:59:55Z)
• Video Dynamics Prior: An Internal Learning Approach for Robust Video Enhancements [83.5820690348833]
  外部トレーニングデータコーパスを必要としない低レベルの視覚タスクのためのフレームワークを提案する。 提案手法は,コヒーレンス・時間的テストの重み付けと統計内部統計を利用して,破損したシーケンスを最適化することでニューラルモジュールを学習する。
  論文  参考訳（メタデータ） (2023-12-13T01:57:11Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Are We Ready for Vision-Centric Driving Streaming Perception? The ASAP Benchmark [23.872360763782037]
  ASAPは、自律運転における視覚中心の知覚のオンラインパフォーマンスを評価する最初のベンチマークである。 12Hzの原画像の高フレームレートラベルを生成するためのアノテーション拡張パイプラインを提案する。 ASAPベンチマークでは、モデルランクが異なる制約の下で変化することを示す総合的な実験結果が示されている。
  論文  参考訳（メタデータ） (2022-12-17T16:32:15Z)
• Towards Streaming Perception [70.68520310095155]
  本稿では、リアルタイムオンライン知覚のための単一のメトリクスにレイテンシと精度を協調的に統合するアプローチを提案する。 この指標の背後にある重要な洞察は、瞬間ごとに認識スタック全体の出力を共同で評価することである。 本稿では,都市ビデオストリームにおけるオブジェクト検出とインスタンスセグメンテーションの具体的タスクに注目し,高品質で時間依存的なアノテーションを備えた新しいデータセットを寄贈する。
  論文  参考訳（メタデータ） (2020-05-21T01:51:35Z)

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。