論文の概要: LUMIN: Lightweight Universal Manufacturing Inspection Network for Anomaly Detection
- arxiv url: http://arxiv.org/abs/2609.04775v1
- Date: Fri, 04 Sep 2026 06:12:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.929848
- Title: LUMIN: Lightweight Universal Manufacturing Inspection Network for Anomaly Detection
- Title（参考訳）: LUMIN: 異常検出のための軽量ユニバーサル製造検査ネットワーク
- Abstract要約: 産業異常検出は、メモリバンク構築遅延と推論効率の2つのエンジニアリングボトルネックに直面している。
本稿では,2つのコアコントリビューションを持つ産業展開におけるサンプリング効率と推論最適化に焦点を当てた。
- 参考スコア（独自算出の注目度）: 1.7396047556778942
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Industrial anomaly detection faces two engineering bottlenecks: memory bank construction latency and inference efficiency. Traditional sampling algorithms (Farthest Point Sampling, K-Means, etc.) rely on numerous backbone forward passes and iterative distance computations, with construction times ranging from minutes to hours; heavy computation components such as multi-scale feature extraction struggle to meet the millisecond-level real-time requirements of production lines. This paper focuses on sampling efficiency and inference optimization for industrial deployment with two core contributions: (1) PSP (Plugin Sampler Pipeline)---a four-stage adaptive memory bank sampling pipeline based on 18-dimensional pixel metadata and five complementary visual plugins. PSP completes all sampling with zero backbone forward passes; coarse filtering is sub-second numerical sorting, and metadata extraction is a one-time offline cost. PSP supports progressive deployment and incremental updates. (2) Two engineering optimization strategies---parallel memory bank similarity computation (reducing inference memory and latency by over 95\%) and stratified pixel sampling for large-scale evaluation (reducing computation time by 20$\times$ while keeping metrics stable). As a vehicle for validation, we introduce LUMIN (Lightweight Universal Manufacturing Inspection Network) with extreme segmentation-head compression, systematically exploring the accuracy-efficiency frontier against strong baselines. Experiments on five benchmarks demonstrate that PSP matches state-of-the-art sampling accuracy at near-random construction cost (341$\times$ faster than FPS), while inference optimizations reduce evaluation time by 20$\times$ with negligible accuracy loss.
- Abstract（参考訳）: 産業異常検出は、メモリバンク構築遅延と推論効率の2つのエンジニアリングボトルネックに直面している。
従来のサンプリングアルゴリズム(Farthest Point Sampling、K-Meansなど)は、多くのバックボーンフォワードパスと反復距離計算に依存しており、建設時間は数分から数時間に及ぶ。
PSP(Plugin Sampler Pipeline)-18次元のメタデータと5つの相補的な視覚プラグインに基づく4段階適応型メモリバンクサンプリングパイプラインである。
粗いフィルタリングは秒単位の数値ソートであり、メタデータ抽出は1回のオフラインコストである。
PSPは、プログレッシブデプロイメントとインクリメンタルアップデートをサポートする。
2) 並列メモリバンク類似性計算(推論メモリと遅延を95%以上削減する)と大規模評価のための階層化ピクセルサンプリング(メトリクスを安定に保ちながら20$\times$の計算時間を短縮する)の2つの工学的最適化手法について検討した。
検証手段として,極端セグメンテーションヘッド圧縮を用いたLUMIN(Lightweight Universal Manufacturing Inspection Network)を導入し,強力なベースラインに対する精度・効率のフロンティアを体系的に検討した。
5つのベンチマークの実験では、PSPがほぼランダムな建設コスト (341$\times$ than FPS) で最先端サンプリング精度と一致していることが示されている。
関連論文リスト
- WarpMPC: Large-Batch MPC on GPU via ADMM with Unrolled $LDL^\top$ Factorization [19.701591585846014]
本稿では、逐次2次プログラミング(SQP)の繰り返しの大規模なバッチを解く際に、GPU上でのスループットを最大化する数値最適化を提案する。
この最適化は、JAX と Warp のモデル予測制御 (MPC) のためのツールボックス WarpMPC で実装されている。
非線形カートポール,四極子,ヒューマノイドロボットベンチマークを用いて,毎秒8,000～25万SQPのスループットを実現した。
論文 参考訳（メタデータ） (2026-07-13T14:27:47Z) - HEPTv2: End-to-End Efficient Point Transformer for Charged Particle Reconstruction [9.951462226612865]
HEPTv2はエンド・ツー・エンドのポイント・トランスフォーマーアーキテクチャで、1つのトレーニング可能なパイプラインで検出器ヒットからトラックを再構築する。
TrackMLでは、HEPTv2は98.6%の追尾効率を0.8%の偽レートで達成している。
これらの結果から, HL-LHCにおけるリアルタイム粒子再構成に必要な精度と効率を, エンド・ツー・エンド変圧器で実現できることが示唆された。
論文 参考訳（メタデータ） (2026-06-18T16:18:10Z) - EventShiftFlow: Towards Hardware-efficient FPGA-based Flow Estimation [43.77587889970362]
イベントベースの視覚センサは、非同期で高時間分解能の測定を提供する。
多くの事象に基づく動き推定法は計算集約的であり、FPGAハードウェアにマップすることは困難である。
本稿では,非同期イベントを固定時間ビンに離散化し,1ビット空間占有格子を構築し,複数の速度仮説を並列に評価するストリーミング速度推定器を提案する。
論文 参考訳（メタデータ） (2026-05-27T11:13:58Z) - Beyond GEMM-Centric NPUs: Enabling Efficient Diffusion LLM Sampling [14.471123653746275]
Diffusion Large Language Models (dLLMs) は、並列トークン生成を可能にする反復型デノゲーションを導入している。
我々の設計では、軽量な非GEMMベクトルプリミティブ、インプレースメモリ再利用戦略、分離された混合精度メモリ階層を用いる。
論文 参考訳（メタデータ） (2026-01-28T15:37:50Z) - LUT-Compiled Kolmogorov-Arnold Networks for Lightweight DoS Detection on IoT Edge Devices [20.271194684947282]
Kolmogorov-Arnold Networks (KAN) は、MLP(Multi-Layer Perceptrons)に代わるコンパクトな代替品を提供する。
B-spline評価は、レイテンシクリティカルなIoTアプリケーションには適さない、大幅な計算オーバーヘッドをもたらす。
本稿では,高価なスプライン計算を事前計算した量子テーブルに置き換えるルックアップテーブル(LUT)コンパイルパイプラインを提案する。
論文 参考訳（メタデータ） (2026-01-12T22:32:18Z) - Fast SAM2 with Text-Driven Token Pruning [52.8350457627401]
Segment Anything Model 2 (SAM2) では、視覚計算モデルがプロンプト駆動のビデオオブジェクトセグメンテーションにおいて大幅に進歩している。
SAM2パイプラインは、イメージエンコーダが生成するすべての視覚トークンを、ターゲットオブジェクトとの関係にかかわらず、下流の時間的推論モジュールを通じて伝達する。
本稿では,時間的伝播に先立ってトークン密度を選択的に低減し,推論効率を向上させるためのテキスト誘導型トークンプルーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-24T18:59:05Z) - Winning the Pruning Gamble: A Unified Approach to Joint Sample and Token Pruning for Efficient Supervised Fine-Tuning [71.30276778807068]
サンプルプルーニングとトークンプルーニングを戦略的に協調する統合フレームワークを提案する。
Q-Tuningは、トレーニングデータの12.5%しか使用せず、全データSFTベースラインに対する平均38%の改善を実現している。
論文 参考訳（メタデータ） (2025-09-28T13:27:38Z) - Progressive Mixed-Precision Decoding for Efficient LLM Inference [49.05448842542558]
我々は,デコーディングのメモリバウンドネスに対処するために,プログレッシブ・ミックス・プレシジョン・デコーディング(PMPD)を導入する。
PMPDはfp16モデルの行列ベクトル乗算において1.4$-$12.2$times$ Speedupを達成する。
我々の手法は、fp16モデルよりも3.8$-$8.0$times$、均一量子化アプローチよりも1.54$times$のスループット向上をもたらす。
論文 参考訳（メタデータ） (2024-10-17T11:46:33Z) - Megapixel Image Generation with Step-Unrolled Denoising Autoencoders [5.145313322824774]
本稿では,サンプルの解像度を高くする手法と,トレーニングとサンプリングの計算要求を低減させる手法の組み合わせを提案する。
例えば、ベクトル量子化GAN(VQ-GAN)、高レベルの損失 - しかし知覚的に重要 - 圧縮 - が可能なベクトル量子化(VQ)モデル、時間ガラストランスフォーマー、高スケールの自己アテンションモデル、非自己回帰(NAR)テキスト生成モデルであるステップ制御型デノイングオートエンコーダ(SUNDAE)などがある。
提案するフレームワークは,高解像度(1024×1024$)までスケールし,(高速で)トレーニングを行う。
論文 参考訳（メタデータ） (2022-06-24T15:47:42Z) - Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。
本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。
DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
論文 参考訳（メタデータ） (2022-06-14T13:22:19Z) - Accelerating Training and Inference of Graph Neural Networks with Fast
Sampling and Pipelining [58.10436813430554]
グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。
我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。
本稿では,これらのボトルネックを緩和する一連の改良点について述べる。
また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
論文 参考訳（メタデータ） (2021-10-16T02:41:35Z) - SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。
効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。
構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
論文 参考訳（メタデータ） (2020-07-26T12:32:38Z)
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。