YOLIC: An Efficient Method for Object Localization and Classification on Edge Devices

要約

Tiny AI の領域では、エッジ デバイス上でオブジェクトの位置特定と分類を行うための効率的な方法である「You Only Look at Interested Cells」(YOLIC) を導入します。
YOLIC は、セマンティック セグメンテーションとオブジェクト検出の長所をシームレスに融合させ、優れた計算効率と精度を提供します。
個々のピクセルの代わりに分類に対象セルを採用することで、YOLIC は関連情報をカプセル化し、計算負荷を軽減し、大まかなオブジェクト形状の推論を可能にします。
重要なのは、YOLIC が潜在的なオブジェクトの位置、サイズ、形状に関する情報を提供する事前に設定されたセル構成を利用するため、バウンディング ボックス回帰の必要性がなくなることです。
単一ラベル分類の制限の問題に取り組むために、複数ラベル分類アプローチが各セルに適用され、重複するオブジェクトや密接に位置するオブジェクトを効果的に認識します。
この論文では、複数のデータセットに対する広範な実験を紹介し、YOLIC が、Raspberry Pi 4B CPU で 30fps を超える速度で、最先端の YOLO アルゴリズムに匹敵する検出パフォーマンスを達成することを実証しました。
データセット、セル デザイナー、画像注釈ツール、ソース コードなど、この研究に関連するすべてのリソースは、プロジェクト Web サイト (https://kai3316.github.io/yolic.github.io) で公開されています。

要約(オリジナル)

In the realm of Tiny AI, we introduce ‘You Only Look at Interested Cells’ (YOLIC), an efficient method for object localization and classification on edge devices. Seamlessly blending the strengths of semantic segmentation and object detection, YOLIC offers superior computational efficiency and precision. By adopting Cells of Interest for classification instead of individual pixels, YOLIC encapsulates relevant information, reduces computational load, and enables rough object shape inference. Importantly, the need for bounding box regression is obviated, as YOLIC capitalizes on the predetermined cell configuration that provides information about potential object location, size, and shape. To tackle the issue of single-label classification limitations, a multi-label classification approach is applied to each cell, effectively recognizing overlapping or closely situated objects. This paper presents extensive experiments on multiple datasets, demonstrating that YOLIC achieves detection performance comparable to the state-of-the-art YOLO algorithms while surpassing in speed, exceeding 30fps on a Raspberry Pi 4B CPU. All resources related to this study, including datasets, cell designer, image annotation tool, and source code, have been made publicly available on our project website at https://kai3316.github.io/yolic.github.io

arxiv情報

著者 Kai Su,Qiangfu Zhao,Yoichi Tomioka,Yong Liu
発行日 2023-07-13 11:21:58+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク