論文の概要: H3DNAS: Hardware-Aware ONNX-Native 3D Point Cloud Model Compression
- arxiv url: http://arxiv.org/abs/2609.02684v1
- Date: Wed, 02 Sep 2026 14:53:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.422604
- Title: H3DNAS: Hardware-Aware ONNX-Native 3D Point Cloud Model Compression
- Title（参考訳）: H3DNAS:ハードウェア対応のONNX-Native 3D Point Cloud Model Compression
- Abstract要約: 既存の圧縮方法は、モデルのオリジナルのソースコードにアクセスする必要がある。
我々は,ONNX計算グラフ上で直接動作するハードウェア対応モデル圧縮フレームワークである textbfH3DNAS を提案する。
ModelNet40において、H3DNASはPointNet、PointNet++、PointMLPのパラメータ数をそれぞれ$65.5%、$43.2%、$49.1%減らす。
- 参考スコア（独自算出の注目度）: 0.08749675983608168
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deploying 3D point cloud models on edge hardware such as the NVIDIA Jetson Orin Nano is severely constrained by compute and memory budgets. Existing compression methods require access to the model's original source code, rendering them inapplicable to the Open Neural Network Exchange (ONNX) binaries commonly distributed by vendors and model repositories. We present \textbf{H3DNAS}, a hardware-aware model compression framework that operates directly on ONNX computational graphs without requiring original source code, architecture class definition, or gradient access during search. H3DNAS makes three contributions: (1) a \textbf{Channel Dependency Graph (CDG)} that classifies ONNX operators into four constraint classes and formally establishes that the free parameter fraction $ρ_f$ is topological invariant, a provable compression ceiling computable in $\mathcal{O}(|V|+|E|)$; (2) a \textbf{Two-Stage Hierarchical Search} that prunes candidate architectures by $L_1$-importance channel selection, ranks them by output fidelity as a zero-shot label-free proxy, and applies GhostConv structural mutation to Pareto-optimal candidates; and (3) the \textbf{first source-code-free compression pipeline for 3D point cloud models}, operating entirely via ONNX graph surgery with no original architecture definition required. On ModelNet40, H3DNAS reduces the number of parameters in PointNet, PointNet++, and PointMLP by $65.5\%$, $43.2\%$, and $49.1\%$, respectively, while achieving $1.99\times$, $1.29\times$, and $1.67\times$ inference speedups with negligible loss in accuracy. The source code is publicly available\footnote{https://github.com/ClarityLab-Org/h3dnas}.
- Abstract（参考訳）: NVIDIA Jetson Orin Nanoのようなエッジハードウェアに3Dポイントのクラウドモデルをデプロイすることは、計算とメモリの予算に厳しく制約されている。
既存の圧縮方法はモデルのソースコードにアクセスする必要があり、ベンダーやモデルリポジトリがよく配布するOpen Neural Network Exchange (ONNX)バイナリには適用できない。
我々は,本来のソースコードやアーキテクチャクラス定義,検索時の勾配アクセスを必要とせずに,ONNX計算グラフ上で直接動作するハードウェア対応モデル圧縮フレームワークである‘textbf{H3DNAS} を提示する。
H3DNASは以下の3つの貢献をしている: (1) ONNX演算子を4つの制約クラスに分類し、自由パラメータの$ρ_f$がトポロジカル不変量であること、(2)$\mathcal{O}(|V|+|E|)$で計算可能な証明可能な圧縮天井であること、(2)$L_1$-importanceチャネル選択によって候補アーキテクチャを抽出する \textbf{Two-Stage Hierarchical Search} をゼロショットラベルフリープロキシとして出力フィデリティをランク付けし、(3) パレート最適化候補にGhostConv構造変異を適用し、(3) クラウド3Dモデルの圧縮パイプラインをONNXで完全に定義する。
ModelNet40において、H3DNASはPointNet、PointNet++、PointMLPのパラメータの数を65.5\%$、43.2\%$、49.1\%$で減らし、1.99\times$、1.29\times$、1.67\times$推論のスピードアップを達成した。
ソースコードは、公開されている。footnote{https://github.com/ClarityLab-Org/h3dnas}。
関連論文リスト
- Consensus-gated Multi-Agent Neural Architecture Search for Seismic Fault Segmentation [0.17188280334580194]
地震断層セグメンテーションのためのニューラルネットワークは、しばしばコンピュータビジョンや医療画像領域から借用される。
古典的ニューラルアーキテクチャサーチ(NAS)は手作りの検索スペースと大規模な計算予算に限定されている。
本稿では,3つの大規模言語モデル(Claude, GPT-5.1, Gemini2.5Pro)からなるエージェントNASシステムを提案する。
論文 参考訳（メタデータ） (2026-08-14T02:41:37Z) - Compiler-First State Space Duality and Portable $O(1)$ Autoregressive Caching for Inference [0.0]
Mamba-2のステートスペース双対性アルゴリズムは、XLAの融合とタイリングが実際に最適化したものにきれいにマッピングする。
我々は,XLA の標準プリミティブとして,完全な推論パス (プリフィル,キャッシュされた自己回帰復号化) を実装した。
この実装は、単一のJAXソースからCPU、NVIDIA GPU、Google Cloud TPUで無修正で実行される。
論文 参考訳（メタデータ） (2026-03-10T12:03:00Z) - Implicit Neural Compression of Point Clouds [61.491532656446054]
NeRC$3$は、新しいポイントクラウド圧縮フレームワークである。
NeRC$3$は密度点雲の幾何学と属性の両方を符号化する。
動的点雲の場合、4D-NeRC$3$は優れた幾何圧縮性能を達成する。
論文 参考訳（メタデータ） (2024-12-11T03:22:00Z) - "Lossless" Compression of Deep Neural Networks: A High-dimensional
Neural Tangent Kernel Approach [49.744093838327615]
広帯域かつ完全接続型エンフディープニューラルネットに対する新しい圧縮手法を提案する。
提案手法の利点を支えるために, 合成データと実世界のデータの両方の実験を行った。
論文 参考訳（メタデータ） (2024-03-01T03:46:28Z) - End-to-End Neural Network Compression via $\frac{\ell_1}{\ell_2}$
Regularized Latency Surrogates [20.31383698391339]
我々のアルゴリズムは多用途であり、プルーニング、低ランク因数分解、量子化など多くの一般的な圧縮手法で利用することができる。
高速で、シングルモデルトレーニングとほぼ同じ時間で実行される。
論文 参考訳（メタデータ） (2023-06-09T09:57:17Z) - Variational Relational Point Completion Network for Robust 3D
Classification [59.80993960827833]
可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。
本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。
VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
論文 参考訳（メタデータ） (2023-04-18T17:03:20Z) - Volumetric Attribute Compression for 3D Point Clouds using Feedforward
Network with Geometric Attention [36.41214415449853]
固有分解のない関数空間にまたがる高階B-スプラインベースを実装したフィードフォワード線形ネットワークを提案する。
エンコーダにおける正規化におけるレイヤーの数は、逆テイラー級数における項の数に等しいことを示す。
論文 参考訳（メタデータ） (2023-04-01T15:24:12Z) - GQE-Net: A Graph-based Quality Enhancement Network for Point Cloud Color
Attribute [51.4803148196217]
本稿では,点雲の色歪みを低減するため,グラフベースの品質向上ネットワーク(GQE-Net)を提案する。
GQE-Netは、幾何学情報を補助入力とグラフ畳み込みブロックとして使用し、局所的な特徴を効率的に抽出する。
実験結果から,本手法は最先端性能を実現することが示された。
論文 参考訳（メタデータ） (2023-03-24T02:33:45Z) - Parameter is Not All You Need: Starting from Non-Parametric Networks for
3D Point Cloud Analysis [51.0695452455959]
本稿では3Dポイントクラウド解析のための非パラメトリックネットワークであるPoint-NNについて述べる。
驚くべきことに、さまざまな3Dタスクでうまく機能し、パラメータやトレーニングを必要とせず、既存の完全に訓練されたモデルを超えています。
論文 参考訳（メタデータ） (2023-03-14T17:59:02Z) - EPCL: Frozen CLIP Transformer is An Efficient Point Cloud Encoder [60.52613206271329]
本稿では,冷凍CLIP変換器を用いて高品質のクラウドモデルをトレーニングするための textbfEfficient textbfPoint textbfCloud textbfLearning (EPCL) を提案する。
我々のEPCLは、2D-3Dデータをペア化せずに画像の特徴と点雲の特徴を意味的に整合させることで、2Dと3Dのモダリティを接続する。
論文 参考訳（メタデータ） (2022-12-08T06:27:11Z) - Improving Network Slimming with Nonconvex Regularization [8.017631543721684]
畳み込みニューラルネットワーク(CNN)は、様々なコンピュータビジョンタスクの強力なモデルとなるために開発された。
最先端のCNNの多くは直接デプロイすることはできない。
CNNを圧縮する簡単な方法が提案されている。
論文 参考訳（メタデータ） (2020-10-03T01:04:02Z)
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。