論文の概要: Coding What Matters: A Semantic-Aware Memory Interface for Energy-Efficient Perception in Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2608.29000v1
• Date: Sat, 29 Aug 2026 02:19:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 13:06:50.749882
• Title: Coding What Matters: A Semantic-Aware Memory Interface for Energy-Efficient Perception in Autonomous Vehicles
• Title（参考訳）: 重要なコーディング: 自律走行車におけるエネルギー効率の高い知覚のためのセマンティック・アウェア・メモリ・インタフェース
• Abstract要約: MotiMem-Omegaはセマンティックなメモリインタフェースコーダである。 前面カメラのbit-1密度を52%削減し、36%近くでモデル化されたメモリ・インタフェースのエネルギー削減に対応する。 また、ベースラインよりも高い保持率と、同じまたは低いビット-1密度でエネルギーにマッチしたトランケーションを与える。
• 参考スコア（独自算出の注目度）: 0.4588028371034407
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Autonomous vehicles stream high-resolution surround-camera frames into memory before perception runs. This sensor-to-memory path consumes energy when cells store ones and adjacent bytes toggle on the data bus, so its cost follows bit-1 density and switching activity rather than pixel semantics. We present MotiMem-Omega, a semantic-aware memory-interface coder that lowers this cost while preserving perception predictions. Its semantic importance field protects traffic participants, especially vulnerable road users, while assigning lower fidelity to sky and empty background. Cross-dataset bit-sensitivity sweeps determine class weights, with a safety floor for pedestrians, cyclists, and motorcyclists. Each image block then selects a precision tier by minimizing a joint energy-distortion cost. When ego pose is available, a motion-compensated prior carries protected regions between frames. We estimate interface-energy reduction from the two measured proxies using a coefficient-swept memory-energy model. Across 29 detectors on 12 driving datasets, 5 occupancy models, and 5 segmentation networks, MotiMem-Omega retains about 90% of detection mean average precision, 91% of vulnerable-road-user recall, over 98% of occupancy accuracy, and the strongest segmentation retention among energy-reducing methods. It reduces front-camera bit-1 density by 52%, corresponding to a modeled memory-interface energy reduction near 36%, with a lower end of 27% under the literature coefficient sweep. It also gives higher retention than the baseline and energy-matched truncation at the same or lower bit-1 density, whereas image codecs preserve accuracy without reducing memory-interface energy.
• Abstract（参考訳）: 自動運転車は、知覚が走る前に高解像度のサラウンドカメラフレームをメモリに流す。 このセンサー・ツー・メモリ・パスは、セルがデータバスにセルと隣接バイトを切り替えるときにエネルギーを消費するので、そのコストはピクセルのセマンティクスよりもbit-1密度とスイッチングアクティビティに従う。 我々は、知覚予測を保存しながら、このコストを下げる意味認識型メモリインタフェースコーダであるMotiMem-Omegaを紹介する。 その意味的重要性分野は、交通参加者、特に脆弱な道路利用者を保護し、空と空の背景に低い忠実度を割り当てる。 クロスデータセットのビット感度スイープは、歩行者、サイクリスト、モーターサイクリストのための安全床を備えたクラスウェイトを決定する。 そして、各画像ブロックは、合同エネルギー歪曲コストを最小化して精度層を選択する。 エゴポーズが利用可能であれば、前者はフレーム間の保護された領域を格納する。 我々は,2つの測定されたプロキシの界面エネルギー削減を係数-スワープメモリ-エネルギーモデルを用いて推定する。 12の運転データセット、5つの占有モデル、5つのセグメンテーションネットワーク上の29の検出器のうち、MotiMem-Omegaは、検出平均平均精度の90%、脆弱な道路利用者リコールの91%、占有精度の98%以上、エネルギー削減手法の最も強いセグメンテーション保持を保っている。 フロントカメラのビット-1密度を52%減らし、36%近くでモデル化されたメモリ・インタフェースのエネルギー削減に対応し、文学係数のスイープでは27%の低値となる。 また、ベースラインよりも高い保持率と、同じまたは低いビット-1密度でのエネルギー整合トランケーションを与える一方、画像コーデックはメモリとインタフェースのエネルギーを減少させることなく精度を保っている。

関連論文リスト

• Robust Slip Detection and Material Classification via Spatiotemporal Transformers on a Uniformly-Illuminated Visuo-Tactile Sensor [52.33204893988409]
  本稿では,一様照明をカスタマイズした視覚触覚センサと統合認識フレームワークを提案する。 提案するハードウェア・ソフトウェア・フレームワークは、複雑なロボット操作のための高忠実度フィードバックと強力なマルチモーダル認識ベースラインを提供する。
  論文  参考訳（メタデータ） (2026-08-25T07:25:27Z)
• MotiMem: Motion-Aware Approximate Memory for Energy-Efficient Neural Perception in Autonomous Vehicles [8.360411807674472]
  高解像度センサーは、堅牢な自律認識には不可欠だが、バッテリに拘束された電気自動車に厳しい記憶壁を課す。 従来の画像圧縮は、バスの切替アクティビティではなく、意味的に盲目であり、ストレージに最適化されている。 ハードウェア・ソフトウェア共同設計インタフェースであるMotiMemを提案する。
  論文  参考訳（メタデータ） (2026-03-28T03:31:27Z)
• Memory-Efficient Fine-Tuning Diffusion Transformers via Dynamic Patch Sampling and Block Skipping [95.91466630940084]
  Diffusion Transformer (DiTs) はテキスト・ツー・イメージ(T2I)の生成品質を大幅に向上させ、高品質なパーソナライズされたコンテンツ作成を可能にした。 時間ステップ対応動的パッチサンプリングとブロックスキップを統合した,メモリ効率の良い細調整フレームワークDiT-BlockSkipを提案する。 提案手法は,メモリ使用量を大幅に削減しつつ,質的,定量的に競合するパーソナライズ性能を実現する。
  論文  参考訳（メタデータ） (2026-03-21T11:02:18Z)
• Dynamic neural network with memristive CIM and CAM for 2D and 3D vision [57.6208980140268]
  本稿では,memristor を用いた意味記憶に基づく動的ニューラルネットワーク (DNN) を提案する。 ネットワークは、受信したデータとセマンティックベクターとして格納された過去の経験を関連付ける。 MNISTとModelNetのデータセットから画像と3Dポイントを分類するために、ResNetとPointNet++の40nmのmemristorマクロを用いて、我々の共同設計を検証する。
  論文  参考訳（メタデータ） (2024-07-12T04:55:57Z)
• A Preliminary Study on Pattern Reconstruction for Optimal Storage of Wearable Sensor Data [3.04585143845864]
  医療データを効率的に保存するための1つのアプローチは、関連する特徴と代表的特徴を抽出し、連続的なストリーミングデータではなく、それらの特徴のみを保存することである。 本稿では,人間の行動認識(HAR)センサデータに対する簡潔な特徴抽出と再構成のための複数のオートエンコーダについて予備的検討を行った。 我々のMulti-Layer Perceptron(MLP)ディープオートエンコーダは,他の3つの実装オートエンコーダと比較して90.18%のストレージ削減を達成した。
  論文  参考訳（メタデータ） (2023-02-25T03:33:26Z)
• Self-Attentive Pooling for Efficient Deep Learning [6.822466048176652]
  そこで本研究では,標準プーリング層に対するドロップイン代替として使用可能な,非局所的な自己係留型プーリング手法を提案する。 我々は、ImageNet上のMobileNet-V2の様々な変種に対する既存のプール技術のテスト精度を平均1.2%上回る。 提案手法は,イソメモリフットプリントを用いたSOTA技術と比較して1.43%高い精度を実現している。
  論文  参考訳（メタデータ） (2022-09-16T00:35:14Z)
• Mesa: A Memory-saving Training Framework for Transformers [58.78933015299703]
  本稿では,トランスフォーマーのためのメモリ節約トレーニングフレームワークであるMesaを紹介する。 Mesaは、フォワードパス中に正確なアクティベーションを使用し、低精度のアクティベーションを格納することで、トレーニング中のメモリ消費を減らす。 ImageNet、CIFAR-100、ADE20Kの実験は、Mesaがトレーニング中にメモリフットプリントの半分を削減できることを示した。
  論文  参考訳（メタデータ） (2021-11-22T11:23:01Z)
• MCUNetV2: Memory-Efficient Patch-based Inference for Tiny Deep Learning [72.80896338009579]
  メモリボトルネックは畳み込みニューラルネットワーク(CNN)の設計における不均衡なメモリ分布に起因する。 本稿では,ピークメモリを大幅に削減するパッチ・バイ・パッチ・推論スケジューリングを提案する。 ニューラルアーキテクチャサーチによるプロセスを自動化し、ニューラルアーキテクチャと推論スケジューリングを共同で最適化し、MCUNetV2に導いた。
  論文  参考訳（メタデータ） (2021-10-28T17:58:45Z)
• BinaryCoP: Binary Neural Network-based COVID-19 Face-Mask Wear and Positioning Predictor on Edge Devices [63.56630165340053]
  フェイスマスクは、空気性疾患に対する双方向保護のための医療に効果的な解決策を提供する。 CNNは、顔認識と正しいマスク着用と位置決めの分類に優れたソリューションを提供する。 CNNは、企業ビル、空港、ショッピングエリア、その他の屋内場所への入り口で利用でき、ウイルスの拡散を緩和することができる。
  論文  参考訳（メタデータ） (2021-02-06T00:14:06Z)
• Improving Memory Utilization in Convolutional Neural Network Accelerators [16.340620299847384]
  本稿では,アクティベーション層を重複させ,メモリをより効率的に利用するためのマッピング手法を提案する。 様々な実世界のオブジェクト検出器ネットワークによる実験により、提案されたマッピング技術により、メモリのアクティベーションを最大32.9%削減できることが示された。 より高解像度のノイズ除去ネットワークでは、活性化メモリの48.8%の節約を実現している。
  論文  参考訳（メタデータ） (2020-07-20T09:34:36Z)

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。