Parameter Optimization for Partitioning Algorithms in Object Detection
Notice bibliographique
Résumé
Fast object detection is essential for safety-critical applications. Effective partitioning of video frames captured by cameras acting as sensors can enhance the performance of object or target detection in a parallel processing system, ensuring that no node becomes a bottleneck. More specifically, algorithms that utilize frame-specific information, such as entropy, to estimate the workload of frames and then partition them accordingly perform better than those that partition frames randomly. The objective of this paper is to optimize partitioning algorithms for big data applications to achieve the best performance. Parameters, such as neighborhood size for Entropy-Based partitioning, are determined experimentally to minimize overheads while ensuring accurate workload estimation. A novel hybrid partitioning algorithm is proposed to enhance the performance of previously proposed frame-specific partitioning algorithms. Workload of the frames are estimated using object detection models. To identify the most effective object detection model, pretrained models such as You Only Look Once (YOLO) and Vision Transformer (ViT) are deployed within the Apache Spark parallel processing framework and the model with the best processing time and accuracy is chosen for workload estimation. To demonstrate the robustness of the proposed techniques, the partitioning and frame removal algorithms are evaluated under noisy frame conditions and in a Graphics Processing Unit-accelerated environment. The proposed partitioning and frame removal algorithms performed well in noisy frame conditions where workload estimation was more difficult and achieved approximately 50 % better performance when a GPU was utilized.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».