Fugu-MT 論文翻訳(概要): XiDepth: a Lightweight and Efficient Network for Self-supervised Monocular Depth Estimation

論文の概要: XiDepth: a Lightweight and Efficient Network for Self-supervised Monocular Depth Estimation

arxiv url: http://arxiv.org/abs/2608.03666v1
Date: Tue, 04 Aug 2026 13:42:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-05 15:30:23.225356
Title: XiDepth: a Lightweight and Efficient Network for Self-supervised Monocular Depth Estimation
Title（参考訳）: XiDepth: 自己教師型単眼深度推定のための軽量で効率的なネットワーク
Abstract要約: 自己教師付き単分子深度推定は、計算に制約のあるデバイスに展開するための軽量で効果的なモデルを設計するための魅力的なソリューションとして登場した。重要な課題は、全体的なパフォーマンスを損なうことなく、リソース効率のよいニューラルネットワークを実現することだ。本稿では,XiNet演算子ブロックに基づく軽量アーキテクチャであるXiDepthを提案する。
参考スコア（独自算出の注目度）: 6.07094468381517
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Self-supervised monocular depth estimation has emerged as an appealing solution to design lightweight and effective models for deployment on computationally constrained devices due to its reduced reliance on expensive depth sensors. By eliminating the need for ground-truth annotations and leveraging the simplicity of monocular camera setups, this approach facilitates cost-effective data collection and broad applicability across fields such as computer vision and robotics. A critical challenge is achieving resource-efficient neural networks without compromising the overall performance. State-of-the-art models generally adopt depth-wise convolutions and attention mechanisms; however, these functions often incur high energy costs and face compatibility issues in embedded environments. To address this, we propose XiDepth, a lightweight architecture based on the XiNet operator block, designed to enhance feature extraction while maintaining low computational complexity and energy demand. On the KITTI dataset, XiDepth achieves state-of-the-art performance with only 0.8M parameters. Tests on a Raspberry Pi 4 further confirm its suitability for real-world embedded applications, reducing FLOPs by 40% and energy consumption by 35% compared to leading methods.
Abstract（参考訳）: 自己教師付き単眼深度推定は、高価な深度センサへの依存度が低いため、計算に制約のあるデバイスに展開するための軽量で効率的なモデル設計の魅力的なソリューションとして登場した。地平線アノテーションの必要性を排除し、単眼カメラのセットアップをシンプルにすることで、コスト効率の良いデータ収集とコンピュータビジョンやロボティクスといった分野の幅広い適用性を促進する。重要な課題は、全体的なパフォーマンスを損なうことなく、リソース効率のよいニューラルネットワークを実現することだ。最先端のモデルは一般的に深度的な畳み込みと注意機構を採用するが、これらの機能はしばしば高エネルギーコストを発生させ、組込み環境での互換性の問題に直面する。そこで本稿では,XiNet演算子ブロックに基づく軽量アーキテクチャであるXiDepthを提案する。 KITTIデータセットでは、XiDepthは0.8Mパラメータだけで最先端のパフォーマンスを達成する。 Raspberry Pi 4のテストでは、実際の組み込みアプリケーションに対する適合性をさらに確認し、FLOPを40%削減し、主要な方法と比較してエネルギー消費量を35%削減した。

関連論文リスト

LiteEvent-AE: Lightweight Autoencoder for Event-Based Vision on Low-Latency Energy-Constrained Edge Devices [0.3957768262206625]
イベントベースのビジョンは、エネルギ・アウェア・人工知能(AI)にとって有望なパラダイムとして登場したこの研究は、ニューロモルフィックデータを効率的に圧縮するコンパクトでイベント駆動のオートエンコーダを提示する。アーキテクチャは、軽量エンコーディングと、適応的なイベントしきい値設定下での堅牢なパフォーマンスを統合している。
論文参考訳（メタデータ） (2026-08-22T04:13:47Z)
Seeing Through WiFi: Lightweight Human Pose Estimation with Dynamic Kernel Attention [55.570606479386434]
WiFiベースのヒューマンポーズ推定(HPE)は、ウェアラブルデバイスを必要とせず、人体の位置や動きの検出と解釈を可能にする。本稿では、WiFi CSI信号を用いた軽量で効率的なポーズ推定のための新しいフレームワークWiLHPEを提案する。
論文参考訳（メタデータ） (2026-07-03T11:04:05Z)
$D^3$-RSMDE: 40$\times$ Faster and High-Fidelity Remote Sensing Monocular Depth Estimation [72.9912717963138]
リモートセンシング画像からのリアルタイムで高忠実な単眼深度推定は、多くのアプリケーションにとって不可欠である。視覚変換器(ViT)のバックボーンを高密度な予測に使用するのは速いが、知覚品質は低いことが多い。リモートセンシング単眼深度推定のための深度詳細拡散法(D3$-RSMDE)を提案する。 D3$-RSMDEは、Learninged Perceptual Image Patch similarity (LPIPS)の知覚距離を11.85%削減する。
論文参考訳（メタデータ） (2026-03-17T10:50:36Z)
PuriLight: A Lightweight Shuffle and Purification Framework for Monocular Depth Estimation [15.413017422345545]
PuriLightは、自己教師付き単眼深度推定のためのフレームワークである。計算効率と詳細保存という2つの課題に対処する。 PuriLightは、最小限のトレーニングパラメータで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2026-02-11T17:35:21Z)
ECORE: Energy-Conscious Optimized Routing for Deep Learning Models at the Edge [17.74343318260183]
ECOREは、複数の動的ルーティング戦略を統合するフレームワークである。 ECOREは、物体の特性に基づいてエネルギー効率と検出性能のバランスをとる。その結果,提案したコンテキスト対応ルーティング手法は,エネルギー消費と遅延をそれぞれ35%,遅延を49%削減できることがわかった。
論文参考訳（メタデータ） (2025-07-08T14:16:14Z)
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)
Lightweight Deep Learning Framework for Accurate Particle Flow Energy Reconstruction [8.598010350935596]
本稿では,ディープラーニング再構築の枠組みを体系的に評価する。重み付き平均2乗と誤差構造類似度指数を組み合わせたハイブリッド損失関数を設計する。我々は,モーダル時間的相関とエネルギー変位非線形性を捉えるモデルの能力を強化する。
論文参考訳（メタデータ） (2024-10-08T11:49:18Z)
HW-SW Optimization of DNNs for Privacy-preserving People Counting on Low-resolution Infrared Arrays [9.806742394395322]
低分解能赤外線(IR)アレイセンサは、空間や人の流れの占有をモニターするなどのアプリケーションを数えることができる。ディープニューラルネットワーク(DNN)は、これらのセンサデータを正確かつ効率的な方法で処理するのに適していることが示されている。本稿では、ニューラルネットワーク探索、混合精度量子化、後処理といったDNNのための高度に自動化されたフルスタック最適化フローを提案する。
論文参考訳（メタデータ） (2024-02-02T08:45:38Z)
Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文参考訳（メタデータ） (2023-08-27T03:55:28Z)
Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
論文参考訳（メタデータ） (2022-04-07T08:53:18Z)
DepthNet Nano: A Highly Compact Self-Normalizing Neural Network for Monocular Depth Estimation [76.90627702089357]
DepthNet Nanoは、人間の機械の共同設計戦略を用いて設計された単眼深度推定のためのコンパクトなディープニューラルネットワークである。提案したDepthNet Nanoは、最先端のネットワークで同等の性能を保ちながら、高い効率のネットワークアーキテクチャを持っている。
論文参考訳（メタデータ） (2020-04-17T00:41:35Z)

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。