論文の概要: Accelerated Decoding of Centroid Positional Encoding for Instance Segmentation

• arxiv url: http://arxiv.org/abs/2609.16874v1
• Date: Tue, 15 Sep 2026 09:05:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.428217
• Title: Accelerated Decoding of Centroid Positional Encoding for Instance Segmentation
• Title（参考訳）: セグメンテーションのためのセントロイド位置符号化の高速化
• Abstract要約: 本稿では,各画素が遠心波の位置埋め込みを行う場合の,遠心波符号化に伴うデコードオーバーヘッドについて検討する。 当社のソリューションは、デコードオーバーヘッドを大幅に削減し、Endto-Endレイテンシを改善し、CPUベースのアプローチと単純なGPU実装の両方を上回ります。
• 参考スコア（独自算出の注目度）: 49.97373153077311
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Beyond model inference, the decoding stage, which converts raw network outputs into task-level representations, constitutes a significant portion of the execution cost. Despite its practical impact, prediction decoding has received comparatively little attention and is often implemented using generic CPU routines or inefficient GPU kernels, limiting the benefits of advances in model efficiency. In this work, we investigate the decoding overhead associated with a recent sinusoidal centroid encoding for Instance Segmentation, in which each pixel regresses a positional embedding of its instance centroid. This approach allows flexible segmentation without predefined proposals, but extracting instance masks from dense embeddings incurs a high computational cost. We present an optimized CUDA-based implementation of the decoding algorithm tailored to this encoding, explicitly addressing challenges related to parallelization, synchronization, and memory access on modern GPUs. Our solution significantly reduces decoding overhead and improves End-to-End inference latency, outperforming both CPU-based approaches and naive GPU implementations. The results demonstrate that efficient decoding is essential to fully exploit the advantages of advanced output representations and highlight the importance of jointly designing encoding schemes and their decoding algorithms for real-time computer vision systems.
• Abstract（参考訳）: モデル推論以外にも、生のネットワーク出力をタスクレベルの表現に変換するデコードステージは、実行コストのかなりの部分を占めている。 現実的な影響にもかかわらず、予測復号化は比較的注目を集めておらず、一般的なCPUルーチンや非効率なGPUカーネルを使用して実装されることが多く、モデル効率の進歩のメリットが制限されている。 本研究では,近年の正弦波セントロイド符号化によるインスタンスセグメンテーションのデコードオーバーヘッドについて検討する。 このアプローチは、事前に定義された提案なしに柔軟なセグメンテーションを可能にするが、密度の高い埋め込みからインスタンスマスクを抽出することは、高い計算コストをもたらす。 本稿では, 並列化, 同期化, メモリアクセスに関わる課題に対処するため, この符号化に適した復号アルゴリズムを最適化したCUDAベースの実装を提案する。 我々のソリューションは、デコードオーバーヘッドを大幅に削減し、エンドツーエンドの推論遅延を改善し、CPUベースのアプローチと単純なGPU実装の両方より優れたパフォーマンスを実現します。 その結果、効率的な復号化は、高度な出力表現の利点を十分に活用するために不可欠であることが示され、リアルタイムコンピュータビジョンシステムにおいて、符号化方式と復号アルゴリズムを協調的に設計することの重要性が強調された。

関連論文リスト

• Even More Efficient Soft-Output Decoding with Extra-Cluster Growth and Early Stopping [2.370310454459195]
  本稿では,境界クラスタギャップとクラスタ外ギャップという2種類の新しいソフトアウトプットを紹介する。 後者は、クラスタ外ギャップであるデコーダの信頼性を、デコーダによって得られたクラスタの小さな追加的な成長によって定量化する。 これらの技術は計算の複雑さを低くし、ハードウェアの互換性を高める。
  論文  参考訳（メタデータ） (2026-02-03T10:00:40Z)
• 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)
• Fast correlated decoding of transversal logical algorithms [67.01652927671279]
  大規模計算には量子エラー補正(QEC)が必要であるが、かなりのリソースオーバーヘッドが発生する。 近年の進歩により、論理ゲートからなるアルゴリズムにおいて論理キュービットを共同で復号化することにより、症候群抽出ラウンドの数を削減できることが示されている。 ここでは、回路を介して伝播する関連する論理演算子製品を直接復号することで、回路の復号化の問題を修正する。
  論文  参考訳（メタデータ） (2025-05-19T18:00:00Z)
• Accelerating Error Correction Code Transformers [56.75773430667148]
  本稿では,トランスを用いたデコーダの高速化手法を提案する。 最新のハードウェアでは、90%の圧縮比を実現し、算術演算エネルギー消費を少なくとも224倍削減する。
  論文  参考訳（メタデータ） (2024-10-08T11:07:55Z)
• Cascade Reward Sampling for Efficient Decoding-Time Alignment [17.278488115500615]
  復号時間アライメントにおける効率の両立を図るためにカスケード逆サンプリング(CARDS)を導入する。 CARDSは、大きな言語モデル(LLM)と報酬モデル(RM)の両方の冗長な計算を最小化する
  論文  参考訳（メタデータ） (2024-06-24T04:08:35Z)
• Efficient Encoder-Decoder Transformer Decoding for Decomposable Tasks [53.550782959908524]
  エンコーダ・デコーダモデルのための新しい構成を導入し、構造化された出力と分解可能なタスクの効率を改善する。 提案手法は,インプットを一度エンコードして並列にデコードすることで,トレーニングと推論の効率を向上する。
  論文  参考訳（メタデータ） (2024-03-19T19:27:23Z)
• Bioinspired Cortex-based Fast Codebook Generation [0.09449650062296822]
  脳内の知覚皮質ネットワークにインスパイアされた特徴抽出法を提案する。 バイオインスパイアされた大脳皮質と呼ばれるこのアルゴリズムは、より優れた計算効率を持つストリーミング信号の特徴に収束する。 ここでは、クラスタリングおよびベクトル量子化における大脳皮質モデルの優れた性能を示す。
  論文  参考訳（メタデータ） (2022-01-28T18:37:43Z)
• EfficientFCN: Holistically-guided Decoding for Semantic Segmentation [49.27021844132522]
  最先端セマンティックセマンティックセグメンテーションアルゴリズムは主に拡張されたFully Convolutional Networks (DilatedFCN)に基づいている 本稿では,拡張畳み込みのないイメージネット事前学習ネットワークをバックボーンとする,効率的なFCNを提案する。 このようなフレームワークは、計算コストの1/3しか持たない最先端の手法に比べて、同等またはそれ以上の性能を達成する。
  論文  参考訳（メタデータ） (2020-08-24T14:48:23Z)

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。