論文の概要: Towards Real-Time PixOOD: Efficient Anomaly Segmentation for Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2607.28483v1
• Date: Thu, 30 Jul 2026 16:36:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.663612
• Title: Towards Real-Time PixOOD: Efficient Anomaly Segmentation for Autonomous Vehicles
• Title（参考訳）: リアルタイムPixOODを目指して:自律走行車における効率的な異常セグメンテーション
• Abstract要約: この研究は、組み込みプラットフォームとデスクトッププラットフォームの両方向けに設計され、自動運転と鉄道ドメインをターゲットにした、効率的で高速なパイプラインを提供する。 その結果, 自動走行および鉄道における車載処理において, 高度な異常セグメンテーションを効率よく展開できることが判明した。
• 参考スコア（独自算出の注目度）: 2.673900980590657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time anomaly segmentation is essential for the safety of autonomous systems. Although recent approaches offer high accuracy, their computational cost limits their deployment on embedded hardware. This work presents an efficient and accelerated pipeline designed for both embedded and desktop platforms, targeting the autonomous driving and railway domains. The proposed approach reformulates the Neyman-Pearson scoring stage of PixOOD, a state-of-the-art out-of-distribution detection method, and deploys the full pipeline through hardware-optimized TensorRT compilation, reaching up to 182 FPS on a desktop NVIDIA RTX 4060 GPU and 75 FPS on the NVIDIA Jetson AGX Orin embedded platform, respectively 20x and 18x faster than the original baseline. The achieved results demonstrate that advanced anomaly segmentation can be efficiently deployed for onboard processing in autonomous driving and railway applications.
• Abstract（参考訳）: 自律システムの安全性にはリアルタイムな異常セグメンテーションが不可欠である。 最近のアプローチは高い精度を提供するが、その計算コストは組み込みハードウェアへの展開を制限する。 この研究は、組み込みプラットフォームとデスクトッププラットフォームの両方向けに設計され、自動運転と鉄道ドメインをターゲットにした、効率的で高速なパイプラインを提供する。 提案手法は,最新の分散検出手法であるPixOODのNeyman-Pearsonスコアステージを再構成し,ハードウェア最適化されたTensorRTコンパイルを通じて全パイプラインをデプロイし,デスクトップのNVIDIA RTX 4060 GPUで最大182FPS,NVIDIA Jetson AGX Orin組み込みプラットフォームで最大75FPS,それぞれオリジナルベースラインの20倍と18倍の速度で展開する。 その結果, 自動走行および鉄道における車載処理において, 高度な異常セグメンテーションを効率よく展開できることが判明した。

関連論文リスト

• LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
  視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。 しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。 本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
  論文  参考訳（メタデータ） (2026-06-26T09:11:59Z)
• KATANA: A Fast, Low-Power Mapping of Kalman Filters onto Edge NPUs for Real-Time Tracking [0.6840587119863305]
  本稿では,Kalmanフィルタの商用NPUへのエンド・ツー・エンドマッピングを実現するNPU対応最適化フレームワークであるKATANAを紹介する。 カタナはDPUマトリクスエンジン上で100%の演算を実行するために3つの代数グラフを書き換える。 シリーズ2では、最適化されたバッチEKFは13.43Wで223.35FPS、LKFは14.05Wで408.73FPSに達し、CPU実装と比較して97.9%のダイナミックエネルギー削減を実現している。
  論文  参考訳（メタデータ） (2026-06-12T22:26:20Z)
• LiteViLNet: Lightweight Vision-LiDAR Fusion Network for Efficient Road Segmentation [6.81209407358202]
  高速道路分割のためのRGBテクスチャ情報とLiDAR幾何情報を融合した軽量マルチモーダルネットワークである textbfLiteViLNet を提案する。 具体的には、両モードの階層的特徴を最小限のパラメータで抽出するために、デュアルストリーム軽量エンコーダと深度ワイド分離可能な畳み込みを設計する。 KITTI Roadデータセットと実世界のアプリケーションの実験は、LiteViLNetが精度と効率の有望なバランスを達成していることを示している。
  論文  参考訳（メタデータ） (2026-05-20T10:44:06Z)
• Reconfigurable Computing Challenge: Real-Time Graph Neural Networks for Online Event Selection in Big Science [0.4054399764907913]
  本研究は、AMD Versal VCK190上でのベルII電磁量計ハードウェアトリガのための動的グラフニューラルネットワークのリアルタイム展開のためのエンドツーエンド実証実験である。 我々は,演算子融合,分割,マッピング,空間並列化,カーネルレベルの最適化を含むPythonベースの半自動設計フローを開発した。 私たちの設計では、エンドツーエンドのレイテンシ7.15マイクロ秒で、毎秒2.94万イベントのスループットを実現しています。
  論文  参考訳（メタデータ） (2026-05-11T14:10:06Z)
• HOMI: Ultra-Fast EdgeAI platform for Event Cameras [1.9923531555025618]
  イベントカメラは、非同期操作とスパースでイベント駆動の出力のため、エッジロボティクスアプリケーションに大きな利点をもたらす。 我々は、Xilinx Zynq UltraScale+MPSoC FPGAチップを備えたProphesee IMX636イベントセンサチップからなる、超低レイテンシでエンドツーエンドのエッジAIプラットフォームを提案する。
  論文  参考訳（メタデータ） (2025-08-18T05:47:48Z)
• Exploiting Lightweight Hierarchical ViT and Dynamic Framework for Efficient Visual Tracking [49.07982079554859]
  トランスフォーマーをベースとしたビジュアルトラッカーは、その強力なモデリング能力のために大きな進歩を見せている。 しかし、処理速度が遅いため、リソース制約のあるデバイスでは実用性に制限がある。 各種デバイス間の高速動作を維持しながら高い性能を実現するための,効率的な追跡モデルであるHiTを提案する。
  論文  参考訳（メタデータ） (2025-06-25T12:46:46Z)
• SATAY: A Streaming Architecture Toolflow for Accelerating YOLO Models on FPGA Devices [48.47320494918925]
  この作業は、超低レイテンシアプリケーションのために、最先端のオブジェクト検出モデルをFPGAデバイスにデプロイする際の課題に対処する。 YOLOアクセラレータにはストリーミングアーキテクチャ設計を採用しており、チップ上で完全なモデルを深くパイプライン化して実装しています。 データフロー方式でYOLOモデルの動作をサポートする新しいハードウェアコンポーネントを導入し、オンチップメモリリソースの制限に対処するために、オフチップメモリバッファリングを導入する。
  論文  参考訳（メタデータ） (2023-09-04T13:15:01Z)
• Benchmarking Edge Computing Devices for Grape Bunches and Trunks Detection using Accelerated Object Detection Single Shot MultiBox Deep Learning Models [2.1922186455344796]
  この研究は、オブジェクト検出のための異なるプラットフォームのパフォーマンスをリアルタイムでベンチマークする。 著者らは、自然なVineデータセットを使用して、RetinaNet ResNet-50を微調整した。
  論文  参考訳（メタデータ） (2022-11-21T17:02:33Z)
• RTFormer: Efficient Design for Real-Time Semantic Segmentation with Transformer [63.25665813125223]
  本稿では,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効率的なデュアルレゾリューション変換器RTFormerを提案する。 CNNベースのモデルよりもパフォーマンスと効率のトレードオフが優れている。 主要なベンチマーク実験では,提案したRTFormerの有効性を示す。
  論文  参考訳（メタデータ） (2022-10-13T16:03:53Z)
• Efficient Visual Tracking via Hierarchical Cross-Attention Transformer [82.92565582642847]
  本稿では,HCAT と呼ばれる階層型クロスアテンショントランスを用いた効率的な追跡手法を提案する。 当社のモデルは、GPUで約195fps、CPUで45fps、NVidia Jetson AGX XavierのエッジAIプラットフォームで55fpsで動作します。
  論文  参考訳（メタデータ） (2022-03-25T09:45:27Z)
• Panoptic SwiftNet: Pyramidal Fusion for Real-time Panoptic Segmentation [0.0]
  多くのアプリケーションは、安価なハードウェアや組み込みハードウェアの大規模な入力解像度よりも高速な推論を必要とする。 マルチスケール特徴抽出のためのバックボーン容量をトレードオフすることで,この目標を達成することを提案する。 本稿では,Cityscapes,Vistas,COCO,BSB-Aerialデータセットについてパノラマ実験を行った。
  論文  参考訳（メタデータ） (2022-03-15T13:47:40Z)
• Multi-scale Interaction for Real-time LiDAR Data Segmentation on an Embedded Platform [62.91011959772665]
  LiDARデータのリアルタイムセマンティックセグメンテーションは、自動運転車にとって不可欠である。 ポイントクラウド上で直接動作する現在のアプローチでは、複雑な空間集約操作を使用する。 本稿では,マルチスケールインタラクションネットワーク(MINet)と呼ばれるプロジェクションベースの手法を提案する。
  論文  参考訳（メタデータ） (2020-08-20T19:06:11Z)

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。