論文の概要: Replay Pruning and Few-Bit Integer Inference for Hardware-Efficient Speed-Sign Recognition

• arxiv url: http://arxiv.org/abs/2610.22811v1
• Date: Fri, 16 Oct 2026 01:41:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.728831
• Title: Replay Pruning and Few-Bit Integer Inference for Hardware-Efficient Speed-Sign Recognition
• Title（参考訳）: ハードウェア効率の良い速度信号認識のためのリプレイプルーニングとFew-Bit Integer推論
• Abstract要約: 我々は,車載カメラシステムを用いた速度制限符号認識システムを開発した。 ReLUとハードシグモノイド演算子を備えたYOLOファミリーネットワークである検出器は、チャネルリプレイにより圧縮される。 YOLOv5nでは、リプレイは親の精度でパラメータの60.3%を除去する。 YOLOv8nでは、replayとper-stepのreplayは他のすべてのメソッドと未実行の親よりもパフォーマンスが良い。
• 参考スコア（独自算出の注目度）: 3.328585527641708
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Speed-limit sign recognition on an automotive camera system-on-chip (SoC) must fit a detector and a classifier (the reader) into the memory, arithmetic, and energy budgets of the device. In our two-stage recognizer, the detector, a YOLO-family network with ReLU and hard-sigmoid operators, is compressed by channel replay: an iterative pruning cascade identifies the channels to remove, the recorded deletions are replayed on the original task-trained network, the parent, and one continuous knowledge-distillation recovery follows. On a YOLOv5n, replay removes 60.3% of the parameters at the accuracy of the parent and, in validation mAP50-95 over five matched seeds, outperforms iterative pruning and training from scratch, and its per-step variant (per-step replay) is the most accurate pruning method. On a YOLOv8n, replay and per-step replay outperform every other method and the unpruned parent. The reader, a five-layer CNN with 18k parameters, and the post-processing of the YOLOv5n and YOLOv8n heads use integer arithmetic only. With 4-bit weights and 8-bit activations (W4A8), the reader matches FP32 accuracy in 12.1 KB of on-chip memory, and an executable streaming model reproduces the INT8 class predictions of its runtime on all 9,850 test crops. On a Jetson AGX Orin, INT8 is faster than FP16 only in the implicit formulation of TensorRT, and the replay detector runs fastest on the deep-learning accelerator (DLA). Trained on public data only, the combined system of 0.72 M parameters recognizes 95.2% of the signs of a held-out automotive camera at 90% precision and 94 frames per second.
• Abstract（参考訳）: 自動車用カメラシステム(SoC)における速度制限符号認識は、検出器と分類器(読み手)を装置のメモリ、演算、エネルギー予算に適合させなければならない。 本稿では,ReLUとハードシグミド演算子を備えたYOLOファミリーネットワークである検出器を,チャネルリプレイにより圧縮する。繰り返しプルーニングカスケードは除去するチャネルを識別し,記録された削除を元のタスク訓練ネットワーク,親および1つの継続的知識蒸留回収で再生する。 YOLOv5nでは、リプレイは親の精度でパラメータの60.3%を除去し、5つのマッチした種子に対するmAP50-95の検証では、反復的なプルーニングとトレーニングをスクラッチから上回り、ステップごとのバリエーション(ステップごとのリプレイ)が最も正確なプルーニング法である。 YOLOv8nでは、replayとper-stepのreplayは他のすべてのメソッドと未実行の親よりもパフォーマンスが良い。 読み手は18kパラメータを持つ5層CNNで、YOLOv5nとYOLOv8nヘッドの後処理は整数演算のみを使用する。 4ビットの重みと8ビットのアクティベーション(W4A8)により、読み手はFP32の精度を12.1KBのオンチップメモリで一致させ、実行可能ストリーミングモデルは9,850の試験作物すべてでINT8クラスの予測を再現する。 ジェットソンAGX Orinでは、INT8はTensorRTの暗黙の定式化においてFP16よりも高速で、リプレイ検出器はディープラーニングアクセラレータ(DLA)上で高速に動作する。 公的なデータのみに基づいて訓練された0.72Mパラメータの組み合わせシステムは、保持されている自動車用カメラの95.2%を90%の精度で、94フレーム/秒で認識している。

関連論文リスト

• Towards Practical Precision Agriculture: Real-Time Fruit Detection and Video Analytics on Embedded Edge Hardware [0.815557531820863]
  本研究では,NVIDIA Jetson Orin Super上で実時間果物の検出,追跡,計数を行うためのエンドツーエンドフレームワークを提案する。 軽量のYOLO26s検出器は、リンゴ、マンゴー、ブルーベリー、イチゴを表す4つの公開データセットで独立に訓練されている。 APPLE MOTSは、果肉の恒常性を持った果樹配列を提供するため、時間的ビデオ解析に使用される。
  論文  参考訳（メタデータ） (2026-09-11T21:32:02Z)
• Moving Like a Human: Ego-Motion-Normalized Temporal Signatures for Real-Time Aerial Person Tracking on Milliwatt-Class Hardware [1.932555230783329]
  追跡はドローン自体で行わなければならない。 EMT-Detは、エゴモーションを推定する5段階のシステムである。 Raspberry Pi Zero 2Wでは、パイプラインは31.85 FPS、AP25は0.462、UAVは0.714である。
  論文  参考訳（メタデータ） (2026-07-09T19:30:00Z)
• Selfie-Capture Dynamics as an Auxiliary Signal Against Deepfakes and Injection Attacks for Mobile Identity Verification [4.2958409172092225]
  モバイルリモートID認証(RIdV)システムは、顔のビデオストリームを操作または置換する攻撃にさらされる。 ETSI TS 119 461 や CEN/TS 18099 といったヨーロッパの近年の要求は、カメラベースのプレゼンテーション攻撃検出以上の補完的なエビデンスチャネルを動機付けている。 本稿では,自撮り撮影中に記録された受動運動軌跡が,スプーフスクリーニングとユーザ検証の補助的証拠となるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-04-30T20:46:18Z)
• ZenBrain: A Neuroscience-Inspired 7-Layer Memory Architecture for Autonomous AI Systems [51.56484100374058]
  LongMemEval-500では、ZenBrainは長いコンテキストのオラクルのバイナリ・ジャッジの精度を4.5pp以内と一致させる。 ZenBrainは7層の神経科学にインスパイアされたメモリアーキテクチャである。
  論文  参考訳（メタデータ） (2026-04-26T20:39:19Z)
• Next-Generation License Plate Detection and Recognition System using YOLOv8 [0.0]
  本研究では,ライセンスプレート認識(LPR)および文字認識タスクにおけるYOLOv8変種の性能について検討した。 YOLOv8 NanoはLPRタスクで0.964と0.918のmAP50の精度を示し、YOLOv8 Smallは文字認識タスクで0.92とmAP50の精度を示した。
  論文  参考訳（メタデータ） (2025-12-18T18:06:29Z)
• Speedy MASt3R [68.47052557089631]
  MASt3Rは、DUSt3Rを活用して高速な相互マッチング方式を導入することで、画像マッチングを3Dタスクとして再定義する。 高速MASt3Rは、精度を犠牲にすることなく、推論時間(画像ペアあたり198msから91ms)を54%削減する。 この進歩により、リアルタイムな3D理解が可能になり、複合現実ナビゲーションや大規模3Dシーン再構築といったアプリケーションに恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-03-13T03:56:22Z)
• It Takes Two: Masked Appearance-Motion Modeling for Self-supervised Video Transformer Pre-training [76.69480467101143]
  自己監督型ビデオトランスフォーマーの事前トレーニングは、最近マスク・アンド・予測パイプラインの恩恵を受けている。 本稿では,映像中の動きの手がかりを余分な予測対象として明示的に調査し,マスケッド・出現運動モデリングフレームワークを提案する。 一般的なビデオ表現を学習し、Kinects-400で82.3%、Something V2で71.3%、UCF101で91.5%、HMDB51で62.5%を達成する。
  論文  参考訳（メタデータ） (2022-10-11T08:05:18Z)
• YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors [14.198747290672854]
  YOLOv7は5FPSから160FPSまでの速度と精度で、既知の全ての物体検出器を上回っている。 YOLOv7は、GPU V100上で30FPS以上の実時間オブジェクト検出器の中で、最高精度の56.8%のAPを持つ。 YOLOv7は、他のデータセットやトレーニング済みの重みを使わずに、スクラッチからMSデータセットにのみトレーニングします。
  論文  参考訳（メタデータ） (2022-07-06T14:01:58Z)
• ETAD: A Unified Framework for Efficient Temporal Action Detection [70.21104995731085]
  時間的行動検出(TAD)のようなトリミングされていないビデオ理解は、しばしば計算資源に対する膨大な需要の苦痛に悩まされる。 我々は、効率的なエンド・ツー・エンドの時間的行動検出(ETAD)のための統合されたフレームワークを構築している。 ETADはTHUMOS-14とActivityNet-1.3の両方で最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-05-14T21:16:21Z)
• Workshop on Autonomous Driving at CVPR 2021: Technical Report for Streaming Perception Challenge [57.647371468876116]
  本稿では,現実的な自律運転シナリオのためのリアルタイム2次元物体検出システムについて紹介する。 私たちの検出器は、YOLOXと呼ばれる新しい設計のYOLOモデルで構築されています。 Argoverse-HDデータセットでは,検出のみのトラック/トラックで2位を7.8/6.1上回る41.0ストリーミングAPを達成した。
  論文  参考訳（メタデータ） (2021-07-27T06:36:06Z)
• Efficient Integer-Arithmetic-Only Convolutional Neural Networks [87.01739569518513]
  我々は従来のReLUを境界ReLUに置き換え、その減少は活性化量子化によるものであることを示す。 我々の整数ネットワークは、対応するFPNネットワークと同等の性能を発揮するが、メモリコストは1/4に過ぎず、最新のGPUでは2倍高速である。
  論文  参考訳（メタデータ） (2020-06-21T08:23:03Z)

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。