論文の概要: Input-Adaptive Gating of a Dehazing Front-End for On-Device Perception in Smoke-Obscured Environments
- arxiv url: http://arxiv.org/abs/2608.30034v1
- Date: Sun, 30 Aug 2026 20:44:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.160751
- Title: Input-Adaptive Gating of a Dehazing Front-End for On-Device Perception in Smoke-Obscured Environments
- Title（参考訳）: 煙発生環境下でのオンデバイス知覚のためのデハージングフロントエンドの入力適応ゲーティング
- Abstract要約: 2段階のビジョンパイプラインは、よりクリーンな入力がより良い出力を生成すると仮定して、タスクネットワークの前に拡張ネットワークを配置することが多い。
消火器が煙に満ちた部屋を構造的な輪郭として描画するエッジ検出器に先行する消防士支援パイプラインでこれを評価した。
どちらもRaspberry Pi 4向けに355Kと23Kのパラメータで設計され、Liteを介してUINT8に量子化されている。
- 参考スコア（独自算出の注目度）: 3.632189127068905
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Two-stage vision pipelines often place an enhancement network before a task network, on the assumption that a cleaner input produces a better output. We evaluate this in a firefighter assistance pipeline, where a dehazer precedes an edge detector that renders smoke-filled rooms as structural outlines. Both were designed for a Raspberry Pi 4, at 355K and 23K parameters, and quantized to UINT8 via TensorFlow Lite. The float dehazer reaches 18.60 dB peak signal-to-noise ratio (PSNR) on held-out real smoke against 13.60 dB unprocessed and 17.08 dB for an AOD-Net trained on the same data, and the edge detector reaches an F-measure at optimal dataset scale (ODS) of 0.738, outperforming an optimized Canny's result of 0.692. Dehazing improves edge extraction under dense smoke but degrades it on clear and lightly hazed frames, where the dehazer discards more detail than the haze obscures. We therefore run the dehazer only when a dark channel haze estimate exceeds a threshold, a 10.1 ms test that lets the pipeline save 469.6 ms on the dehazing stage. Averaged over four haze levels, gating is more accurate than either fixed decision, at 0.675 mean ODS against 0.664 for always dehazing and 0.630 for never dehazing. It reduces the mean per-frame time on the Raspberry Pi from 569 ms to 321 ms, and on clear frames increases the frame rate fivefold, from 1.8 to 9 frames per second.
- Abstract（参考訳）: 2段階のビジョンパイプラインは、よりクリーンな入力がより良い出力を生成すると仮定して、タスクネットワークの前に拡張ネットワークを配置することが多い。
消火器が煙に満ちた部屋を構造的な輪郭として描画するエッジ検出器に先行する消防士支援パイプラインでこれを評価した。
どちらもRaspberry Pi 4用に355Kと23Kパラメータで設計され、TensorFlow Lite経由でUINT8に量子化されている。
フロートデハザーは同じデータで訓練されたAOD-Netに対して13.60dBの未処理の実煙に対して18.60dBのピーク信号-ノイズ比(PSNR)に達し、エッジ検出器は0.738の最適なデータセットスケール(ODS)でF測定値に達し、最適化されたCannyの結果0.692を上回った。
脱ヘイジングは密煙下でのエッジ抽出を改善するが、鮮明で軽くヘイズされたフレームで分解する。
したがって、ダークチャンネルのヘイズ推定値がしきい値を超える場合にのみデハザーを実行し、パイプラインがデハザートステージで469.6msを節約できる10.1msのテストを行う。
平均4以上のヘイズレベルにおいて、ゲーティングはどちらの決定よりも正確であり、0.675の平均ODSは0.664であり、デハージングは0.630である。
Raspberry Piのフレームあたりの平均時間は569msから321msに短縮され、クリアフレームではフレームレートが1.8から9fpsに5倍に向上する。
関連論文リスト
- TIO-Former: Ultra-Lightweight 6-Directional ToF-Inertial Odometry for Nano-UAVs via a Streaming Causal Transformer [19.298838240329292]
TIO-FORMERは、ナノUAV用のカメラレス光フローナビゲーションフレームワークである。
ナノUAVの光学流と比較して、開ループ位置誤差を54.4%削減する。
資源制約されたマイクロエアリアルロボットに実用的なアンカーを提供する。
論文 参考訳（メタデータ） (2026-09-15T13:54:06Z) - GRADE: Single-Frame Generative Radar Depth Estimation Under Visual Degradation [10.458726240020265]
3D深度知覚は、光センサーが空気中の微粒子を貫通できないため、煙、霧、暗闇の下で失敗する。
mmWaveレーダーは依然として使用可能であり、測定値はこれらの条件下で正確に変動するが、その小さな開口部は角分解能を制限している。
本稿では,高忠実度距離深さを推定するために,単一フレームレーダ幾何学において事前訓練された生成を基礎とするGRADEを提案する。
論文 参考訳（メタデータ） (2026-09-09T18:57:05Z) - Low Cost Two-Stage Fabric Defect Detection at the Edge [0.0]
衣料品産業におけるファブリック検査は主に手作業で行われており、3.45と商業用ヴィジュアルシステムは、ほとんどの中小製粉所以上の価格で販売されている。
4つのニットファブリック欠陥クラスのためにそのようなカスケードを構築し、FP16でNVIDIA Jetson Nano上でエンドツーエンドにデプロイする。
データパスを制御せずにカスケードのスピードアップを計測し、自律的な受け入れよりもAIによるトリアージとして位置付ける。
論文 参考訳（メタデータ） (2026-08-12T19:49:00Z) - Tropical Cyclone Forecasting via Latent Rectified Flow using Satellite Imagery and Atmospheric Fields [0.0]
この研究は、GRIDSAT-B1赤外線画像と4つのERA5大気場を9時間連続で予測するシングルパスモデルを示す。
モデルは、予測された風から導かれる微分可能なトラック誤差に対して、報酬細調整(DRaFT)される。
2022年の嵐でモデルは16.35dBのPSNRと0.759のSSIMに達する。
論文 参考訳（メタデータ） (2026-08-08T22:40:22Z) - Rethinking Pixel Mean Flows via Interval Denoiser [95.11499828543344]
潜在自由生成のためのフレームワークであるInterval Denoiserを提案する。
その結果,FIDは1ステップ (1-NFE) で4.55, 2ステップ (2-NFE) で3.98であった。
論文 参考訳（メタデータ） (2026-08-05T13:22:43Z) - On-Orbit Real-Time Wildfire Detection Under On-Board Constraints [0.0]
本研究では,9衛星の商業熱赤外星座上での軌道上山火事検出システムについて述べる。
このシステムは、200mのサンプリング距離で、未校正中波赤外線(MWIR)シングルバンド画像で動作する。
そこで本研究では,プロプライエタリな9サテライトMWIRデータセットを用いた軽量密度表現学習の実証的研究を行った。
論文 参考訳（メタデータ） (2026-05-07T13:47:27Z) - Scaling DoRA: High-Rank Adaptation via Factored Norms and Fused Kernels [83.99688944263843]
DoRA(Weight-De Low-Rank Adaptation)は、LoRAを方向から分離することで拡張する。
d_in = 8192 とランク r = 384 では、単一のモジュールのノルムは bf16 で512MB の過渡的なワーキングメモリを必要とする。
因子ノルムは、二乗ノルムを O(d_out r + r2) 中間体を通して計算可能な基底、交差、およびグラマー項に分解し、密積を除去する。
論文 参考訳（メタデータ） (2026-03-23T17:57:24Z) - $D^3$-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) - Real-Time 2D LiDAR Object Detection Using Three-Frame RGB Scan Encoding [39.146761527401424]
3つの連続走査をRGBチャネルとして積み重ねることで、短時間の時間的コンテキストを符号化するカメラレス2次元LiDARオブジェクト検出パイプラインを提案する。
Raspberry Pi 5上では、スキャンエンコーディングや後処理を含む、1フレームあたり平均47.8msの、ウォームアップ後のエンドツーエンドのレイテンシで、リアルタイムで実行される。
シミュレーションベースではあるものの,軽量なテンポラリエンコーディングにより,RGBの外観を捉えることなく,高精度かつリアルタイムなLiDAR検出が可能であることが示唆された。
論文 参考訳（メタデータ） (2026-02-02T14:44:27Z) - Fast Re-Trainable Attention Autoencoder for Liquid Sensor Anomaly Detection at the Edge [0.0]
化学・生物学実験室におけるセンサ異常を検出するために, 軽量で, エッジ展開可能なパイプラインを提案する。
カスタムPCBは7つのセンサーチャネルをキャプチャし、それらをローカルネットワークにストリームする。
アテンションベースのワンクラスオートエンコーダは、通常のデータの30分間のトレーニング後に使用可能な状態に達する。
論文 参考訳（メタデータ） (2025-07-05T10:51:58Z) - MEMFOF: High-Resolution Training for Memory-Efficient Multi-Frame Optical Flow Estimation [41.94295877935867]
MEMFOFはメモリ効率のよい多フレーム光フロー法である。
メソッドは1080pの入力に対して実行時に2.09GBのGPUメモリと28.5GBのトレーニングを必要とする。
メソッドはSpringベンチマークで最初に1ピクセル (1px) の出力レートが3.289である。
論文 参考訳（メタデータ） (2025-06-29T09:01:42Z) - StreakNet-Arch: An Anti-scattering Network-based Architecture for Underwater Carrier LiDAR-Radar Imaging [44.96583097079915]
我々は,我々の開発した水中キャリアLiDAR-Radar(UCLR)に基づくリアルタイムエンドツーエンドバイナリ分類フレームワークであるStreakNet-Archを紹介した。
制御された水槽検証条件下では、StreakNet-Arch with Self-Attention または DBC-Attention が従来のバンドパスフィルタリングより優れている。
南シナ海におけるUCLRシステムの検証を行い,深度1000m,幅20mの3Dターゲットに対して46mmの誤差に達した。
論文 参考訳（メタデータ） (2024-04-14T06:19:46Z)
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。