文献

J-GLOBAL ID：202002279511446300   整理番号：20A1750642

ロバストなDNN推論のための部分重み適応【JST・京大機械翻訳】

Partial Weight Adaptation for Robust DNN Inference

著者 (2件)： Xie Xiufeng (Hewlett Packard Labs) ,  Kim Kyu-Han (Hewlett Packard Labs)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CVPR  ページ： 9570-9578  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 主流ビデオ解析は,推論入力と訓練データが同じ確率分布に従うという仮定を有する事前訓練DNNモデルを使用する。しかし,この仮定は,常に野生で保持されない:自律車両は,様々な輝度でビデオを捉えるかもしれない。不安定な無線帯域幅はビデオの適応ビットレートストリーミングを要求する。そして,推論サーバは,不均一IoTデバイス/カメラからの入力に役立つ可能性がある。このような状況において,入力歪のレベルは急速に変化し,従って入力の確率分布を復元する。ここでは,様々な歪みでDNN入力を収容する適応推論アーキテクチャであるGearNNを提案した。GearNNは,メモリ予算を与える「歪感受性」DNNパラメータの小さな集合を同定するために最適化アルゴリズムを採用する。入力の歪みレベルに基づいて,GearNNは,次に,歪み感受性パラメータのみを適応し,一方,すべての入力品質にわたって一定のパラメータを再利用する。動的入力歪によるDNN推論の評価において,GearNNは,非歪データセットで訓練されたDNN上で,精度(mIoU)を平均18.12%改善し,Googleからの安定性訓練で4.84%を,1.8%の余分なメモリオーバヘッドで改善した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： カメラ ,  記憶装置 ,  最適化手法 ,  輝度 ,  確率分布 ,  感受性 ,  録画装置 ,  帯域幅 ,  再利用 ,  計算機アーキテクチャ ,  *ロバスト性 ,  自律性 ,  モノのインターネット
準シソーラス用語： 訓練データ ,  オーバヘッド , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： ロバスト ,  推論 ,  適応