論文の概要: CrowdCC: Jointly Benchmarking Corruption Robustness and Deployment Quantization in Crowd Counting

• arxiv url: http://arxiv.org/abs/2610.36340v1
• Date: Mon, 26 Oct 2026 22:08:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.440376
• Title: CrowdCC: Jointly Benchmarking Corruption Robustness and Deployment Quantization in Crowd Counting
• Title（参考訳）: CrowdCC: クラウドカウントにおける破壊的ロバスト性とデプロイメントの量子化のベンチマークを共同で実施
• Abstract要約: 我々は、汚職の堅牢性とデプロイメントコストを共同で評価する、制御された汚職ベンチマークであるCrowdCCを紹介する。 我々の評価は、捕捉鎖の破損が評価モデル全体でも最大の劣化をもたらすことを示している。 推論効率は、コンパイルされたエンジンのオーバーヘッドの修正と強く関連している。
• 参考スコア（独自算出の注目度）: 1.791697675716807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crowd-counting models deployed on edge devices face two shifts: inputs are degraded along the capture and transmission pipeline, while models are quantized to satisfy resource constraints. Yet corruption robustness and deployment quantization are typically evaluated separately. We introduce CrowdCC, a controlled corruption benchmark that jointly evaluates these effects using 23 deployment-motivated corruptions at three severity levels, four crowd-counting datasets, and 26 models using A100 TensorRT engines at FP32, FP16, and post-training INT8 precision, paired with throughput and energy measurements from corresponding Jetson Orin NX configurations. The corruptions span six families, with head annotations adjusted when geometry or visibility changes. Our evaluation shows that capture-chain corruptions consistently produce the largest degradation across the evaluated models, while crowd density affects absolute and relative error differently. Clean accuracy does not fully predict corrupted performance. INT8 alters corruption robustness substantially more than FP16, with no systematic direction, and does not consistently improve latency or energy. INT8 inference efficiency is strongly associated with reformat overhead in the compiled engine, while slowdowns are also observed under limited INT8 coverage. Precision changes corrupted-error rankings and robustness-cost frontiers, showing why model selection must consider corruption robustness and measured deployment cost together. The code is available at https://github.com/Tulane-Computer-Architecture-Systems/CrowdCC-Release.
• Abstract（参考訳）: エッジデバイスにデプロイされたクラウドカウントモデルは、2つのシフトに直面している。入力はキャプチャと送信パイプラインに沿って分解され、モデルはリソース制約を満たすために定量化される。 しかし、汚職の堅牢性とデプロイメントの量子化は、一般的に別々に評価される。 FP32、FP16のA100 TensorRTエンジンと、それに対応するJetson Orin NX構成のスループットとエネルギー測定と組み合わせた後トレーニング後のINT8精度を用いて、23のデプロイモチベーション付き汚職と4つのクラウドカウンティングデータセット、26のモデルを用いて、これらの効果を共同評価する、制御された汚職ベンチマークであるCrowdCCを紹介した。 汚職は6つのファミリーにまたがっており、幾何や視認性の変化に応じて頭部のアノテーションが調整されている。 本評価は, 群集密度が絶対誤差と相対誤差に異なる場合に対して, 捕捉鎖破壊は評価モデル全体で常に最大の劣化を生じさせることを示す。 クリーンな精度は、破損したパフォーマンスを完全に予測しない。 INT8は、系統的な方向を持たないFP16よりも破壊の堅牢性を実質的に変更し、レイテンシやエネルギを一貫して改善しない。 INT8推論効率はコンパイルされたエンジンのオーバーヘッドの修正と強く関連している。 精度の変化 エラーランクとロバストネスコストのフロンティアは、モデル選択がロバストネスと測定されたデプロイメントコストを考慮する必要がある理由を示している。 コードはhttps://github.com/Tulane-Computer-Architecture-Systems/CrowdCC-Releaseで入手できる。

関連論文リスト

• NICE: Scale-Stable Perturbations for Graph Neural Network Explanations via Noise Corruption [67.57304101271096]
  Element-wise Masking (EM) は、エッジによって引き起こされるメッセージをゼロに抑制する。 ノイズ破壊(NC)は、一致したノームなランダムな方向の破損を通じて各メッセージに摂動を与える。 騒音破壊に基づく説明フレームワークであるNICEは、NCが引き起こす不確実性の下で復元境界(英語版)(SRB)を学習する。
  論文  参考訳（メタデータ） (2026-08-17T03:08:14Z)
• Runtime-Certified Bounded-Error Quantized Attention [0.0]
  本稿では,実行時対応型KVキャッシュアーキテクチャを提案する。 二項誤差分解は、キー量子化および(ii)値再構成誤差から、(i)注目分布歪みに対するヘッド当たり、ステップ当たりのバウンダリが得られる。 PG-19、NIAH、RULERのベンチマークにおいて、このシステムは言語モデリングと検索タスクのためのノイズ内の密度の高いFP16 KV品質と一致している。
  論文  参考訳（メタデータ） (2026-05-20T08:04:40Z)
• The Illusion of Equivalence: Systematic FP16 Divergence in KV-Cached Autoregressive Inference [2.954681536906518]
  KVキャッシングは自己回帰変換器推論におけるユビキタス最適化である。 FP16 KVキャッシュ推論は基本的に再計算と等価ではないことを示す。
  論文  参考訳（メタデータ） (2026-04-16T15:59:40Z)
• Defeating the Training-Inference Mismatch via FP16 [72.25890308541334]
  強化学習(Reinforcement Learning, RL)の微調整は、トレーニングと推論ポリシーのミスマッチが原因で不安定な場合が多い。 その根本原因は浮動小数点精度そのものにあることを示す。 広く採用されているBF16は、大きなダイナミックレンジにもかかわらず、トレーニングと推論の一貫性を損なう大きな丸め誤差を導入している。
  論文  参考訳（メタデータ） (2025-10-30T17:58:11Z)
• INT v.s. FP: A Comprehensive Study of Fine-Grained Low-bit Quantization Formats [51.72056104795248]
  NvidiaのBlackwellアーキテクチャのような現代のAIハードウェアは、低精度浮動小数点(FP)フォーマットをますます受け入れている。 本稿では,FPフォーマットと整数(INT)フォーマットのトレードオフを系統的に検討する。 FPは粗粒度量子化に優れるが、きめ細かい(ブロックワイド)レベルでの比較はよりニュアンスが高い。
  論文  参考訳（メタデータ） (2025-10-29T15:11:53Z)
• Mint: A Simple Test-Time Adaptation of Vision-Language Models against Common Corruptions [44.25678062208464]
  劣化がCLIPのイメージ埋め込みにどのように影響するかを考察し,拡散崩壊と呼ばれる一貫した現象を明らかにする。 この崩壊は性能劣化と密接に結びついており,クラス間分散は分類精度と強く相関している。 擬似ラベルに基づくクラス間分散を最大化する簡易なテスト時間適応法Mintを提案する。
  論文  参考訳（メタデータ） (2025-10-25T02:55:08Z)
• Speeding Up MACE: Low-Precision Tricks for Equivarient Force Fields [51.95157731126864]
  機械学習力場は高い計算コストで正確な分子動力学(MD)を提供することができる。 この論文は、計算ボトルネックを特定し、低精度の実行ポリシーを評価することで、MACEを安価かつ高速にすることを目的としている。
  論文  参考訳（メタデータ） (2025-10-23T14:02:34Z)
• Quantization Robustness to Input Degradations for Object Detection [2.0901018134712297]
  トレーニング後の量子化(PTQ)は、リソース制約のあるデバイスに、YOLOのような効率的なオブジェクト検出モデルをデプロイするために不可欠である。 モデルロバスト性に対する精度低下の影響は、ノイズ、ぼかし、圧縮アーティファクトなどの実世界の入力劣化に大きく影響する。 本稿では,複数の精度のフォーマットにまたがるYOLOモデルのロバスト性を評価する実験的検討を行った。
  論文  参考訳（メタデータ） (2025-08-27T06:20:38Z)
• Dynamic Batch Norm Statistics Update for Natural Robustness [5.366500153474747]
  本稿では,汚職検出モデルとBN統計更新からなる統合フレームワークを提案する。 CIFAR10-CとImageNet-Cの精度は8%, 4%向上した。
  論文  参考訳（メタデータ） (2023-10-31T17:20:30Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)

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。