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

• arxiv url: http://arxiv.org/abs/2610.36340v2
• Date: Wed, 28 Oct 2026 22:02:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-30 22:39:27.511902
• 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の定量化を共同で評価するベンチマークであるCrowdCCを紹介する。 3つの重度レベル,4つのクラウドカウンティングデータセット,26のモデルで23のデプロイメント崩壊を評価した。 以上の結果から, キャプチャーチェーンの破損は評価モデル全体でも最大の劣化を引き起こすことが明らかとなった。
• 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 challenges: inputs are degraded along the capture and transmission pipeline, while models are often quantized to satisfy resource constraints of the edge. Yet corruption robustness and deployment quantization are typically evaluated separately. We introduce CrowdCC, a controlled benchmark that jointly evaluates these effects across 23 deployment-motivated corruptions at three severity levels, four crowd-counting datasets, and 26 models. We evaluate TensorRT engines at FP32, FP16, and post-training INT8 precision on an A100 GPU, alongside throughput and energy measurements on corresponding Jetson Orin~NX configurations. The corruptions span six families, with head annotations adjusted when geometry or visibility changes. Our results show that capture-chain corruptions consistently cause the largest degradation across evaluated models, while crowd density affects absolute and relative errors differently. Accuracy on clean images does not reliably predict performance on the corresponding corrupted images. INT8 changes corruption robustness more than FP16, without a consistent direction, and does not consistently improve latency or energy efficiency. INT8 inference efficiency is strongly associated with reformat overhead in the compiled engine, with slowdowns also observed under limited INT8 coverage. Precision changes corrupted-error rankings and robustness--cost frontiers, highlighting the need to consider corruption robustness and deployment cost jointly when selecting models and precision. 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るクラウドカウントモデルは、2つの課題に直面している。入力はキャプチャと送信パイプラインに沿って劣化し、モデルはしばしばエッジの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。 CrowdCCは、23のデプロイメントモチベーションを動機とする汚職を3つの重大レベル、4つのクラウドカウンティングデータセット、26のモデルで共同で評価する、制御されたベンチマークである。 我々は,FP32,FP16におけるTensorRTエンジンの評価と,A100 GPU上でのINT8精度と,対応するJetson Orin~NX構成のスループットとエネルギー測定を行った。 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。 以上の結果から, 群集密度は絶対誤差と相対誤差が異なるが, 捕捉鎖破壊は評価モデル間で最大の劣化を引き起こすことがわかった。 クリーン画像の精度は、対応する劣化画像の性能を確実に予測しない。 INT8は、一貫した方向を持たず、FP16よりも堅牢性を変え、レイテンシやエネルギー効率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おり、INT8カバレッジの制限下でもスローダウンが観察される。 精度の変化 エラーランキングとロバスト性-コストフロンティアは、モデルと精度を選択する際に、汚職の堅牢性とデプロイメントコストを共同で考慮する必要があることを強調している。 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。