論文の概要: EGRNet: A Lightweight Semantic Segmentation Network with Edge-Gated Refinement and Adversarial Sensing
- arxiv url: http://arxiv.org/abs/2607.19617v1
- Date: Tue, 21 Jul 2026 22:54:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:37.939479
- Title: EGRNet: A Lightweight Semantic Segmentation Network with Edge-Gated Refinement and Adversarial Sensing
- Title（参考訳）: EGRNet:エッジゲートリファインメントと逆センシングを備えた軽量セマンティックセマンティックセマンティックセグメンテーションネットワーク
- Abstract要約: 都市シナリオにおけるリアルタイムセマンティックセグメンテーションのためのエッジゲートリファインメントネットワーク(EGRNet)を提案する。
このモデルは、計算複雑性を低減するために深度的に分離可能な畳み込みと、リッチなマルチスケールコンテキスト情報を取得するための拡張された残差ブロックを組み込んでいる。
EGRNetは計算オーバーヘッドを低く保ちながら最先端の性能を達成する。
- 参考スコア（独自算出の注目度）: 4.163635746713724
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As autonomous systems and smart cities continue to evolve, the demand for efficient and robust scene understanding becomes increasingly critical. Semantic segmentation plays a key role in enabling autonomous vehicles to comprehend complex urban environments. However, achieving high accuracy with minimal computational cost remains a significant challenge. In this paper, we present Edge-Gated Refinement Network (EGRNet), a lightweight and efficient deep learning model designed for real-time semantic segmentation in urban scenarios. The model incorporates depthwise separable convolutions to reduce computational complexity and dilated residual blocks for capturing rich multi-scale contextual information. Additionally, we introduce a novel Edge-Gated Refinement (EGR) module, which adaptively fuses original and refined features through a learnable gating mechanism, enhancing boundary preservation and edge-sensitive regions. To further improve feature representation, Squeeze-and-Excitation (SE) attention is applied across the network. With only 0.46M parameters, EGRNet achieves state-of-the-art performance while maintaining low computational overhead. When evaluated on the Cityscapes dataset, the model attains a mean Intersection over Union (mIoU) of 65.28%, demonstrating strong accuracy with minimal resource consumption. Moreover, we introduce a lightweight adversarial attack detection strategy, ensuring robustness against adversarial inputs without compromising real-time performance. By combining efficiency, accuracy, and resilience, EGRNet is well-suited for deployment on edge devices in safety-critical real-time applications.
- Abstract（参考訳）: 自律システムとスマートシティが進化を続けるにつれ、効率的で堅牢なシーン理解の需要がますます重要になっている。
セマンティックセグメンテーションは、自動運転車が複雑な都市環境を理解する上で重要な役割を果たしている。
しかし,計算コストの最小化による高精度化は依然として大きな課題である。
本稿では,都市シナリオにおけるリアルタイムセマンティックセグメンテーションのための軽量かつ効率的なディープラーニングモデルであるエッジ・ゲート・リファインメント・ネットワーク(EGRNet)を提案する。
このモデルは、計算複雑性を低減するために深度的に分離可能な畳み込みと、リッチなマルチスケールコンテキスト情報を取得するための拡張された残差ブロックを組み込んでいる。
さらに,新しいエッジゲートリファインメント(EGR, Edge-Gated Refinement)モジュールを導入する。
特徴表現をさらに改善するために、Squeeze-and-Excitation (SE) の注意がネットワーク全体に適用される。
0.46Mのパラメータだけで、EGRNetは計算オーバーヘッドを低く保ちながら最先端のパフォーマンスを達成する。
Cityscapesデータセットで評価すると、このモデルは65.28%の平均的な連邦間(mIoU)を達成し、リソース消費を最小限に抑えながら高い精度を示す。
さらに,リアルタイム性能を損なうことなく,敵の入力に対して堅牢性を確保する軽量な敵攻撃検出戦略を導入する。
効率性、精度、レジリエンスを組み合わせることで、EGRNetは安全クリティカルなリアルタイムアプリケーションにおけるエッジデバイスへのデプロイに適している。
関連論文リスト
- RAPID: Layer-Wise Redundancy-Aware Pruning and Importance-Driven Token Merging for Efficient ViT [0.014257559724536567]
視覚変換器(ViT)は高い性能を実現するが、二次的な自己注意の複雑さにより高い計算コストを被る。
本稿では,トークン表現の層的特性に還元戦略を適用した深度対応型トークン還元フレームワークを提案する。
我々のフレームワークは、階層的特徴進化と縮小戦略を整合させることにより、視覚モデルを最適化するためのトレーニング不要のテンプレートを提供する。
論文 参考訳（メタデータ） (2026-06-06T13:13:02Z) - SAND: Spatially Adaptive Network Depth for Fast Sampling of Neural Implicit Surfaces [91.71563221166417]
入射神経表現は幾何学的モデリングには強力であるが、その実用性は高い計算コストによって制限されることが多い。
本稿では,空間適応型ネットワーク深度を用いた効率的なニューラル暗黙的幾何表現フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-15T14:14:17Z) - 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) - VisNet: Efficient Person Re-Identification via Alpha-Divergence Loss, Feature Fusion and Dynamic Multi-Task Learning [1.160208922584163]
人物再識別(ReID)は、監視およびモバイルアプリケーションの両方において重要な分野である。
本稿では,現実シナリオに適した計算効率が高く効果的な再同定モデルであるVisNetを提案する。
論文 参考訳（メタデータ） (2026-01-01T11:06:11Z) - Edge-Based Multimodal Sensor Data Fusion with Vision Language Models (VLMs) for Real-time Autonomous Vehicle Accident Avoidance [12.513296074529727]
本稿では,自律走行のためのリアルタイムエッジベース自律走行軌道プランナ(REACT)を提案する。
REACTは、微調整軽量ビジョンランゲージモデル(VLM)に基づくADのためのV2X統合軌道最適化フレームワークである。
DeepAccidentベンチマークで評価されたREACTは、最先端の性能、77%の衝突率の低減、48.2%のビデオパノプティクス品質(VPQ)、およびJetson AGX Orinでの0.57秒の推論遅延を実現している。
論文 参考訳（メタデータ） (2025-08-01T20:16:04Z) - A feature refinement module for light-weight semantic segmentation network [11.285793559719702]
本稿では,軽量ネットワークのセマンティック情報を得る能力を向上させるために,新しいセマンティックセマンティックセマンティクス手法を提案する。
Cityscapes と Bdd100K のデータセットを用いて,提案手法が精度と計算コストのトレードオフを期待できることを示す。
論文 参考訳（メタデータ） (2024-12-11T03:31:20Z) - 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) - FG-Net: Fast Large-Scale LiDAR Point CloudsUnderstanding Network
Leveraging CorrelatedFeature Mining and Geometric-Aware Modelling [15.059508985699575]
FG-Netは、Voxelizationなしで大規模ポイントクラウドを理解するための一般的なディープラーニングフレームワークです。
相関型特徴マイニングと変形性畳み込みに基づく幾何認識モデルを用いた深層畳み込みニューラルネットワークを提案する。
我々のアプローチは精度と効率の点で最先端のアプローチを上回っている。
論文 参考訳（メタデータ） (2020-12-17T08:20:09Z) - Real-time Semantic Segmentation via Spatial-detail Guided Context
Propagation [49.70144583431999]
本研究では,リアルタイムセマンティックセグメンテーションを実現するための空間詳細ガイド付きコンテキスト伝搬ネットワーク(SGCPNet)を提案する。
浅い層の空間的詳細を利用して低解像度のグローバルコンテキストの伝播を誘導し、失われた空間情報を効果的に再構成することができる。
69.5%のmIoUセグメンテーション精度を実現し、GeForce GTX 1080 Tiの768x1536イメージ上で178.5 FPSに達する。
論文 参考訳（メタデータ） (2020-05-22T07:07:26Z) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳（メタデータ） (2020-04-08T10:08:20Z) - An Image Enhancing Pattern-based Sparsity for Real-time Inference on
Mobile Devices [58.62801151916888]
パターンと接続性を組み合わせた新しい空間空間,すなわちパターンベースの空間空間を導入し,高度に正確かつハードウェアに親しみやすいものにした。
新たなパターンベースの空間性に対する我々のアプローチは,モバイルプラットフォーム上での高効率DNN実行のためのコンパイラ最適化に自然に適合する。
論文 参考訳（メタデータ） (2020-01-20T16:17:36Z)
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。