論文の概要: Performance at What Cost? A Sustainability-Aware Performance Index for Cell and Nucleus Instance Segmentation

• arxiv url: http://arxiv.org/abs/2610.10324v1
• Date: Wed, 07 Oct 2026 16:12:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.03033
• Title: Performance at What Cost? A Sustainability-Aware Performance Index for Cell and Nucleus Instance Segmentation
• Title（参考訳）: コストとパフォーマンス : セルと核インスタンスのセグメンテーションにおけるサステナビリティを考慮したパフォーマンス指標
• Abstract要約: 本稿では,セグメンテーション性能,エネルギー消費,モデルサイズを組み合わせた指標であるSustainability-Aware Performance Index (SAPI)を紹介する。 我々は、ゼロショット推論の下で、6つのCellBinDBデータセットに対して、事前訓練および基礎モデル19をベンチマークした。 以上の結果から,より大規模で計算に要求されるモデルでは,セグメンテーション品質の比例的な改善が得られないことが示唆された。
• 参考スコア（独自算出の注目度）: 4.817429789586127
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Pretrained models for cell and nuclear instance segmentation differ substantially in architecture, pretraining data and objectives, parameter count, inference strategy, adaptation requirements, postprocessing pipeline, and computational demand. Large pretrained and foundation models are increasingly adopted because of their strong zero-shot capabilities, but their use also imposes greater energy consumption, memory requirements, computational demands, adaptation costs, and operational carbon emissions. Whether these additional demands are justified by meaningful gains in segmentation performance remains unclear. We address this question by introducing the Sustainability-Aware Performance Index (SAPI), a configurable metric that combines segmentation performance, energy consumption, and model size. We benchmark 19 pretrained and foundation models across six CellBinDB datasets under zero-shot inference and evaluate 16 fine-tunable models using few-shot adaptation with both frozen encoder and full-model fine-tuning. We estimate energy consumption for GPU, CPU, and RAM using software-based monitoring tools. Our results show that larger and more computationally demanding models do not consistently achieve proportionate improvements in segmentation quality. While few-shot adaptation benefits several models, the gains and resource costs vary considerably across architectures, datasets, and adaptation strategies, causing SAPI-based rankings to differ from rankings based on performance alone. This study provides a practical framework for comparing segmentation models more comprehensively and supports more computationally accessible and environmentally responsible model selection in biomedical image analysis.
• Abstract（参考訳）: セルと核インスタンスのセグメンテーションのための事前訓練されたモデルは、アーキテクチャ、事前訓練データと目的、パラメータカウント、推論戦略、適応要求、後処理パイプライン、計算要求など、大きく異なる。 大規模な事前訓練および基礎モデルはその強力なゼロショット能力のためにますます採用されているが、その使用によりエネルギー消費、メモリ要求、計算要求、適応コスト、運転中の炭素排出量が増大する。 これらの追加要求がセグメンテーションのパフォーマンスにおいて有意義な利益によって正当化されるかどうかは不明だ。 本稿では,セグメンテーション性能,エネルギー消費,モデルサイズを組み合わせた構成可能な指標であるSustainability-Aware Performance Index (SAPI)を導入することで,この問題に対処する。 我々は、ゼロショット推論の下で6つのCellBinDBデータセットの事前訓練および基礎モデル19をベンチマークし、凍結エンコーダとフルモデルファインチューニングの両方を用いて、少数ショット適応を用いて16個の微調整可能なモデルを評価する。 ソフトウェアベースのモニタリングツールを用いて,GPU,CPU,RAMのエネルギー消費量を推定する。 以上の結果から,より大規模で計算に要求されるモデルでは,セグメンテーション品質の比例的な改善が得られないことが示唆された。 少数ショット適応はいくつかのモデルにメリットがあるが、ゲインとリソースコストはアーキテクチャ、データセット、適応戦略によって大きく異なり、SAPIベースのランキングはパフォーマンスのみに基づくランキングとは異なる。 本研究は,より包括的にセグメンテーションモデルを比較するための実践的枠組みを提供し,バイオメディカル画像解析において,より計算が容易で,環境に責任のあるモデル選択をサポートする。

関連論文リスト

• Optimizing AI Inference Across the Deployment Stack [0.8913544654492699]
  本稿では,デプロイメントスタック全体にわたる推論最適化の統一的解析処理について述べる。 我々は、精度、レイテンシ、スループット、メモリフットプリント、エネルギに関する制約付き多目的問題としてデプロイメントを定式化する。 我々はJetson AGX Orinや5つの推論フレームワークを含むエッジプラットフォームからエビデンスを合成する。
  論文  参考訳（メタデータ） (2026-07-01T15:26:09Z)
• SMPLest-X: Ultimate Scaling for Expressive Human Pose and Shape Estimation [81.36747103102459]
  表現的人間のポーズと形状推定(EHPS)は、身体、手、顔の動きを多数の応用で統合する。 現在の最先端の手法は、限定されたデータセット上で革新的なアーキテクチャ設計を訓練することに焦点を当てている。 本稿では,EHPSのスケールアップが一般基盤モデルのファミリに与える影響について検討する。
  論文  参考訳（メタデータ） (2025-01-16T18:59:46Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• From RNNs to Foundation Models: An Empirical Study on Commercial Building Energy Consumption [3.355907772736553]
  商業ビルの短期エネルギー消費予測はスマートグリッドの運用に不可欠である。 スマートメーターとディープラーニングモデルは、複数の建物からの過去のデータを使用した予測を可能にするが、多様な建物からのデータの異質性は、モデルの性能を低下させる可能性がある。 我々は、米国の商業ビルのエネルギー消費データを提供するComStockデータセットを用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2024-11-21T18:54:43Z)

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。