ترجمه فارسی مقاله VALO: یک چارچوب همه کاره در هر زمان برای شبکه های عصبی عمیق تشخیص اشیا مبتنی بر LiDAR

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی VALO: A Versatile Anytime Framework for LiDAR-based Object Detection Deep Neural Networks
عنوان مقاله به فارسی VALO: یک چارچوب همه کاره در هر زمان برای شبکه های عصبی عمیق تشخیص اشیا مبتنی بر LiDAR
نویسندگان Ahmet Soyyigit, Shuochao Yao, Heechul Yun
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 17 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 17 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

This work addresses the challenge of adapting dynamic deadline requirements for LiDAR object detection deep neural networks (DNNs). The computing latency of object detection is critically important to ensure safe and efficient navigation. However, state-of-the-art LiDAR object detection DNNs often exhibit significant latency, hindering their real-time performance on resource-constrained edge platforms. Therefore, a tradeoff between detection accuracy and latency should be dynamically managed at runtime to achieve optimum results. In this paper, we introduce VALO (Versatile Anytime algorithm for LiDAR Object detection), a novel data-centric approach that enables anytime computing of 3D LiDAR object detection DNNs. VALO employs a deadline-aware scheduler to selectively process input regions, making execution time and accuracy tradeoffs without architectural modifications. Additionally, it leverages efficient forecasting of past detection results to mitigate possible loss of accuracy due to partial processing of input. Finally, it utilizes a novel input reduction technique within its detection heads to significantly accelerate execution without sacrificing accuracy. We implement VALO on state-of-the-art 3D LiDAR object detection networks, namely CenterPoint and VoxelNext, and demonstrate its dynamic adaptability to a wide range of time constraints while achieving higher accuracy than the prior state-of-the-art. Code is available athttps://github.com/CSL-KU/VALO}{github.com/CSL-KU/VALO.

چکیده به فارسی (ترجمه ماشینی)

این کار به چالش سازگاری الزامات مهلت پویا برای تشخیص شیء شیء LIDAR (DNNS) می پردازد.تأخیر محاسبات تشخیص شیء برای اطمینان از ناوبری ایمن و کارآمد از اهمیت ویژه ای برخوردار است.با این حال ، DNN های تشخیصی شیء LIDAR بسیار مهم ، تأخیر قابل توجهی را نشان می دهند و مانع عملکرد زمان واقعی آنها در سیستم عامل های لبه محدود شده منابع می شوند.بنابراین ، مبادله ای بین دقت تشخیص و تأخیر باید در زمان اجرا به صورت پویا مدیریت شود تا به نتایج مطلوب برسد.در این مقاله ، ما VALO (الگوریتم همه کاره در هر زمان برای تشخیص شیء Lidar) را معرفی می کنیم ، یک رویکرد جدید داده محور که محاسبه هر زمان از DNN های تشخیص شیء 3D را امکان پذیر می کند.Valo از یک برنامه ریز آگاهانه مهلت برای پردازش انتخابی مناطق ورودی استفاده می کند ، و باعث می شود زمان و دقت در معاملات بدون اصلاحات معماری انجام شود.علاوه بر این ، از پیش بینی کارآمد نتایج تشخیص گذشته برای کاهش از دست دادن احتمالی دقت به دلیل پردازش جزئی ورودی استفاده می کند.سرانجام ، از یک تکنیک کاهش ورودی جدید در سرهای تشخیص خود استفاده می کند تا به طور قابل توجهی اجرای را بدون قربانی کردن دقت ، تسریع کند.ما VALO را در شبکه های پیشرفته ای از شیء شیء 3D LIDAR ، یعنی CenterPoint و VoxelNext پیاده سازی می کنیم و سازگاری پویا آن را با طیف گسترده ای از محدودیت های زمانی نشان می دهیم و ضمن دستیابی به دقت بالاتر از پیشرفته قبلی.کد در دسترس است athttps: //github.com/csl-ku/valo} {github.com/csl-ku/valo.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.