論文の概要: BoltNet: An Ultra-Lightweight Convolutional Network for On-Device Plant Species Identification

• arxiv url: http://arxiv.org/abs/2608.11844v1
• Date: Wed, 12 Aug 2026 09:34:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.533088
• Title: BoltNet: An Ultra-Lightweight Convolutional Network for On-Device Plant Species Identification
• Title（参考訳）: BoltNet:オンデバイス植物識別のための超軽量畳み込みネットワーク
• Abstract要約: BoltNetはSpatial Redistribution BottleneckとLogit PreSamplingを組み合わせた超軽量の完全な畳み込みアーキテクチャである。 Pl@ntNet300Kでは、BoltNetは0.682F1スコアに達し、341Kパラメータ(1.37MB)は2MB以下の評価モデルの中で最高である。 BoltNetは最も効率的なモデルであり、GPUとNPUで最高のFPS/W、CPUで2番目に良い。
• 参考スコア（独自算出の注目度）: 3.860597465886636
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Automated plant species identification from citizen-science imagery is an established, demanding fine-grained recognition problem: large taxonomic label spaces, visually similar species, and long-tailed observations require real model capacity, while field use constrains memory, latency, and power. Model size is only part of the deployment cost: intermediate activations held in memory during inference and platformdependent execution behavior matter too, so compact recognition must be assessed on target hardware rather than through complexity metrics alone. We present BoltNet, an ultra-lightweight fully convolutional architecture combining a Spatial Redistribution Bottleneck and Logit PreSampling to improve the tradeoff between predictive performance and model size in high-cardinality classification, and report the AccuracyCompression Tradeoff as a complementary diagnostic. On Pl@ntNet300K, BoltNet reaches 0.682 F1-score with 341K parameters (1.37 MB), the highest F1-score among evaluated models below 2 MB and close to substantially larger convolutional backbones. Model-only measurements on a Raspberry Pi 5, Jetson Orin Nano, and Hailo-8 characterize execution across CPU, GPU, and NPU platforms, where BoltNet is the most consistently efficient model, with the best FPS/W on the GPU and NPU and second-best on the CPU. Results on AIDERv2 and CLRS provide secondary evidence of transfer across environmental image-classification tasks. Code available at: https://codeberg.org/danielrossi/BoltNet
• Abstract（参考訳）: 大規模な分類学的ラベル空間、視覚的に類似した種、長い尾の観察は実際のモデル能力を必要とし、フィールドの使用はメモリ、レイテンシ、パワーを制約する。 モデルサイズはデプロイメントコストの一部に過ぎません – 推論中にメモリに保持される中間アクティベーションやプラットフォームに依存した実行動作も重要なのです。 本稿では,空間再分配型BottleneckとLogit PreSamplingを組み合わせた超軽量完全畳み込みアーキテクチャBoltNetを提案する。 Pl@ntNet300Kでは、BoltNetは0.682F1スコアに達し、341Kパラメータ(1.37MB)、評価モデルの中では2MB未満で、かなり大きな畳み込みバックボーンに近いF1スコアである。 Raspberry Pi 5、Jetson Orin Nano、Haylo-8でのモデルのみの測定では、CPU、GPU、NPUプラットフォーム上での実行を特徴付けている。 AIDERv2とCLRSの結果は、環境画像分類タスク間での転送の二次的証拠を提供する。 コード https://codeberg.org/danielrossi/BoltNet

関連論文リスト

• PPG-Based Affect Recognition with Long-Range Deep Models: A Measurement-Driven Comparison of CNN, Transformer, and Mamba Architectures [14.439605533711472]
  Photoplethysmography(進化)は、低コストでコンシューマーデバイスとの統合が容易なため、ウェアラブルの感情コンピューティングでますます使われている。 ディープラーニングの最近の進歩は、自然言語や一般的な時系列タスクに強いパフォーマンスを示すTransformersのような長距離シーケンスモデルを導入している。 本研究は,手首をベースとしたPSG信号から覚醒状態の分類を行うために,CNN,CNN-LSTMハイブリッド,Transformers,Mambaの4つのディープラーニングアーキテクチャを比較した。
  論文  参考訳（メタデータ） (2026-04-28T19:41:18Z)
• ConvVitMamba: Efficient Multiscale Convolution, Transformer, and Mamba-Based Sequence modelling for Hyperspectral Image Classification [2.538209532048867]
  ハイパスペクトル画像(HSI)分類は、高スペクトル次元、冗長性、ラベル付きデータによって依然として困難である。 ConvVitMambaと呼ばれる統合ハイブリッドフレームワークが、効率的なHSI分類のために提案されている。 このアーキテクチャは、3つのコンポーネントを統合する: 局所スペクトル、空間、関節パターンをキャプチャするマルチスケール畳み込み特徴抽出器、グローバルなコンテキスト関係をモデル化するビジョントランスフォーマーベースのトークン化とエンコーディングステージ、効率的なコンテンツ認識のための軽量なMambaインスパイアされたゲート配列混合モジュール。
  論文  参考訳（メタデータ） (2026-04-20T21:26:51Z)
• MiniCPM-SALA: Hybridizing Sparse and Linear Attention for Efficient Long-Context Modeling [80.48332380100915]
  MiniCPM-SALAは、疎注意の高忠実長文モデリングと線形注意のグローバル効率を統合するハイブリッドモデルである。 1つのNVIDIA A6000D GPUでは、256Kトークンのシーケンス長におけるフルアテンションモデルの推論速度が3.5倍に達する。
  論文  参考訳（メタデータ） (2026-02-12T09:37:05Z)
• Simple is what you need for efficient and accurate medical image segmentation [7.2109224546543675]
  本稿では,スケーラブルな超軽量医用画像分割モデルSimpleUNetを提案する。 記録破りの16KBパラメータ設定により、SimpleUNetはLBUNetや他の軽量ベンチマークを上回っている。 0.67MBの派生型は、より優れた効率(8.60 GFLOPs)と精度を実現し、マルチセンターの乳房病変のデータセットの平均DSC/IoUは85.76%/75.60%に達した。
  論文  参考訳（メタデータ） (2025-06-16T12:31:48Z)
• The Mamba in the Llama: Distilling and Accelerating Hybrid Models [76.64055251296548]
  注目層からの線形射影重みを学術的なGPU資源で再利用することにより,大規模な変換器を線形RNNに蒸留する方法を示す。 結果として得られたハイブリッドモデルは、チャットベンチマークのオリジナルのTransformerに匹敵するパフォーマンスを達成する。 また,Mambaとハイブリッドモデルの推論速度を高速化するハードウェア対応投機的復号アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2024-08-27T17:56:11Z)
• LHU-Net: a Lean Hybrid U-Net for Cost-efficient, High-performance Volumetric Segmentation [4.168081528698768]
  ボリューム医療画像分割のためのリーンハイブリッドU-NetであるLHU-Netを提案する。 LHU-Netは、チャンネルの特徴を洗練する前に空間的特徴抽出を優先し、効率と精度の両方を最適化する。 Synapse、Left Atrial、BraTS-Decathlon、Lung-Decathlonの4つのベンチマークデータセットによる評価
  論文  参考訳（メタデータ） (2024-04-07T22:58:18Z)
• A Battle of Network Structures: An Empirical Study of CNN, Transformer, and MLP [121.35904748477421]
  畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンのための支配的なディープニューラルネットワーク(DNN)アーキテクチャである。 トランスフォーマーとマルチ層パーセプトロン(MLP)ベースのモデル(Vision TransformerやVision-Mixer)が新しいトレンドを導い始めた。 本稿では,これらのDNN構造について実証的研究を行い,それぞれの長所と短所を理解しようとする。
  論文  参考訳（メタデータ） (2021-08-30T06:09:02Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Real-Time Execution of Large-scale Language Models on Mobile [49.32610509282623]
  BERTの最良のモデル構造は,特定のデバイスに適合する計算サイズである。 我々のフレームワークは、モバイルデバイスのリソース仕様とリアルタイム仕様の両方を満たすための特定モデルを保証することができる。 具体的には、当社のモデルはCPUでは5.2倍、GPUでは4.1倍、BERTベースでは0.5-2%の精度損失がある。
  論文  参考訳（メタデータ） (2020-09-15T01:59:17Z)
• Superiority of Simplicity: A Lightweight Model for Network Device Workload Prediction [58.98112070128482]
  本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。 ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。 利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
  論文  参考訳（メタデータ） (2020-07-07T15:44:16Z)
• Lightweight Residual Densely Connected Convolutional Neural Network [18.310331378001397]
  畳み込みニューラルネットワークの深い監督, 効率的な勾配流, 特徴再利用能力を保証するために, 軽量な高密度連結ブロックを提案する。 提案手法は,特別なハードウェア・ソフトウェア機器を使わずに,トレーニングと推論のコストを低減させる。
  論文  参考訳（メタデータ） (2020-01-02T17:15:32Z)

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。