PLATE: A perception-latency aware estimator,

要約

ターゲット追跡は、多くの潜在的なアプリケーションでよく使われる問題です。
さまざまな技術を通じて、カメラを使用したターゲットの検出の品質を向上させるために多くの努力が行われてきました。
一般に、適用される計算量が多いほど、つまり知覚待ち時間が長いほど、より良い検出精度が得られます。
ただし、特に環境でその必要がない場合や、計算リソースが他のタスク間で共有されている場合には、許容される最長の知覚遅延を適用することが必ずしも有益であるとは限りません。
この研究では、特定のパフォーマンス測定を最適化するために、さまざまな時点でさまざまな知覚構成を使用する、新しい Perception-LATencyware Estimator (PLATE) を提案します。
この尺度では、品質とリソース使用量の間で適切な妥協点を目指して、知覚遅延と精度のトレードオフを考慮しています。
他のヒューリスティックなフレームスキップ技術と比較して、PLATE には形式的な複雑さと最適性の分析が付属しています。
PLATE の利点は、実際のデータを使用した標準ベンチマークに対する評価や、知覚段階での最先端の深層学習物体検出方法の使用など、いくつかの実験によって検証されています。

要約(オリジナル)

Target tracking is a popular problem with many potential applications. There has been a lot of effort on improving the quality of the detection of targets using cameras through different techniques. In general, with higher computational effort applied, i.e., a longer perception-latency, a better detection accuracy is obtained. However, it is not always useful to apply the longest perception-latency allowed, particularly when the environment doesn’t require to and when the computational resources are shared between other tasks. In this work, we propose a new Perception-LATency aware Estimator (PLATE), which uses different perception configurations in different moments of time in order to optimize a certain performance measure. This measure takes into account a perception-latency and accuracy trade-off aiming for a good compromise between quality and resource usage. Compared to other heuristic frame-skipping techniques, PLATE comes with a formal complexity and optimality analysis. The advantages of PLATE are verified by several experiments including an evaluation over a standard benchmark with real data and using state of the art deep learning object detection methods for the perception stage.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google