論文の概要: LiteEvent-AE: Lightweight Autoencoder for Event-Based Vision on Low-Latency Energy-Constrained Edge Devices

• arxiv url: http://arxiv.org/abs/2608.21764v1
• Date: Sat, 22 Aug 2026 04:13:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.43688
• Title: LiteEvent-AE: Lightweight Autoencoder for Event-Based Vision on Low-Latency Energy-Constrained Edge Devices
• Title（参考訳）: LiteEvent-AE:低遅延エネルギー制約エッジデバイスにおけるイベントベースビジョンのための軽量オートエンコーダ
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.3957768262206625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event-based vision has emerged as a promising paradigm for energy-aware artificial intelligence (AI), offering sparse, low-latency visual signals that reduce redundant data processing and support sustainable edge computing. However, the asynchronous and noise-prone nature of event streams creates challenges for conventional deep learning models, which are often too computationally intensive for low-power embedded platforms. This work presents a compact and configurable event-driven autoencoder that efficiently compresses neuromorphic data while preserving essential spatiotemporal structure for downstream inference. The architecture integrates lightweight convolutional encoding with robust performance under adaptive event thresholding and a minimal classifier head, enabling substantial reductions in computational cost without degrading recognition fidelity. Extensive evaluations on the Smart Event Face Dataset (SEFD) and Event-Based Crossing Dataset (EBCD) show that the proposed framework achieves competitive or superior accuracy compared to YOLOv9 while requiring up to 35.6$\times$ fewer parameters. To assess real-world sustainability, the model is deployed on resource-constrained hardware: a Raspberry Pi 4B and a NVIDIA Jetson Nano. On NVIDIA Jetson Nano, it delivers real-time throughput of 44.8 FPS. On a Raspberry Pi 4B CPU, the 50\% autoencoder classifier consumes 16.19 J for the evaluated inference workload, corresponding to approximately 726.3$\times$ lower energy consumption than YOLOv9 under the same evaluation protocol. These results demonstrate the potential of compact event-driven models to advance environmentally conscious, low-power AI systems for high-speed perception in autonomous, mobile, and embedded computing environments.
• Abstract（参考訳）: イベントベースのビジョンは、冗長なデータ処理を削減し、持続可能なエッジコンピューティングをサポートする、スパースで低レイテンシな視覚信号を提供する、エネルギ対応人工知能(AI)の有望なパラダイムとして登場した。 しかし、イベントストリームの非同期性とノイズに起因した性質は、しばしば低消費電力の組み込みプラットフォームでは計算集約的すぎる、従来のディープラーニングモデルに課題を生じさせる。 本研究は、下流推論に不可欠な時空間構造を保ちながら、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構成可能なイベント駆動型オートエンコーダを提案する。 このアーキテクチャは、軽量な畳み込み符号化を適応的なイベントしきい値設定と最小限の分類器ヘッドの下で頑健な性能と統合し、認識精度を低下させることなく計算コストを大幅に削減する。 Smart Event Face Dataset (SEFD) と Event-Based Crossing Dataset (EBCD) の広範な評価によると、提案されたフレームワークは、最大35.6$\times$少ないパラメータを必要とするが、YOLOv9と比較して、競争力または優れた精度を達成する。 現実の持続可能性を評価するために、モデルはリソースに制約のあるハードウェア、Raspberry Pi 4BとNVIDIA Jetson Nanoにデプロイされる。 NVIDIA Jetson Nanoでは、44.8 FPSのリアルタイムスループットを提供する。 Raspberry Pi 4BのCPUでは、50\%のオートエンコーダ分類器が、評価された推論ワークロードに対して16.19Jを消費し、同じ評価プロトコルの下では、約726.3$\times$YOLOv9よりも低消費電力である。 これらの結果は、自律型、モバイル型、組込み型コンピューティング環境において、環境に敏感で低消費電力なAIシステムを高速に認識するための、コンパクトなイベント駆動モデルの可能性を示している。

関連論文リスト

• XiDepth: a Lightweight and Efficient Network for Self-supervised Monocular Depth Estimation [6.07094468381517]
  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。
  論文  参考訳（メタデータ） (2026-08-04T13:42:41Z)
• 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)
• $D^3$-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)
• STAR: A Privacy-Preserving, Energy-Efficient Edge AI Framework for Human Activity Recognition via Wi-Fi CSI in Mobile and Pervasive Computing Environments [0.0]
  Wi-Fi Channel State Information (CSI)によるヒューマンアクティビティ認識は、スマートホーム、ヘルスケア監視、モバイルIoTシステムに適した、プライバシ保護、コンタクトレスセンシングアプローチを提供する。 本稿では,軽量ニューラルネットワーク,適応信号処理,ハードウェア対応協調最適化を統合したエッジAI最適化フレームワークSTAR(Sensing Technology for Activity Recognition)を提案する。 サブ秒以下の応答レイテンシと低消費電力により、リアルタイムでプライバシ保護のHARが保証され、モバイルおよび普及型コンピューティング環境に実用的なスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-30T05:08:25Z)
• Spiking Vocos: An Energy-Efficient Neural Vocoder [20.806942393453145]
  スパイキング・ヴォコス(Spike Vocos)は、超低エネルギー消費のニューラルボコーダである。 SNNにおける情報ボトルネックを軽減するため、Spike ConvNeXtモジュールを設計する。 テンポラルシフトモジュールも統合され、時間次元にわたって情報を融合するモデルの能力が強化される。
  論文  参考訳（メタデータ） (2025-09-16T13:09:13Z)
• EA: An Event Autoencoder for High-Speed Vision Sensing [0.9401004127785267]
  イベントカメラは有望な代替手段を提供するが、スパースでノイズの多いイベントストリームによるオブジェクト検出には課題がある。 イベントデータを効率的に圧縮・再構成するイベントオートエンコーダアーキテクチャを提案する。 提案手法は, YOLO-v4モデルに匹敵する精度を達成し, パラメータを最大35.5倍に削減できることを示す。
  論文  参考訳（メタデータ） (2025-07-09T00:21:15Z)
• Accelerating Linear Recurrent Neural Networks for the Edge with Unstructured Sparsity [39.483346492111515]
  線形リカレントニューラルネットワークは、推論中に一定のメモリ使用量と時間毎の時間を含む強力な長距離シーケンスモデリングを可能にする。 非構造化空間は、互換性のあるハードウェアプラットフォームによって加速されるときに、計算とメモリの要求を大幅に削減できる魅力的なソリューションを提供する。 非常に疎い線形RNNは、高密度ベースラインよりも高い効率と性能のトレードオフを一貫して達成している。
  論文  参考訳（メタデータ） (2025-02-03T13:09:21Z)
• 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)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)

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。