自動車におけるエッジAIと弱者（VRU）の安全：知識蒸留によるデプロイ可能な検出

arXiv cs.CV / 2026/4/30

📰 ニュースDeveloper Stack & InfrastructureIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、弱者道路利用者（VRU）の物体検出をエッジ端末上で実行する際に、INT8量子化という計算制約下でも精度を維持する課題に取り組みます。
知識蒸留（KD）により、小型のYOLOv8-S（11.2Mパラメータ）を大型のYOLOv8-L（43.7Mパラメータ）教師モデルにならって学習させ、圧縮とINT8耐性の両立を狙います。
BDD100Kで学習しポストトレーニングINT8量子化を適用した評価では、教師モデルが大きく性能劣化（-23% mAP）する一方で、KD学生モデルは劣化が抑えられます（-5.6% mAP）。
分析から、KDは生の検出能力そのものよりも、量子化に関わるキャリブレーション／精度の性質を移し替えることが示され、同等のリコールで精度が向上し、誤報（false alarm）が大幅に減少（-44%）します。
INT8環境では、KD学生モデルは3.9倍小型であるにもかかわらず、教師モデルのFP32精度を上回る（0.748 vs. 0.718）結果が得られ、安全性が重要なVRU検出をエッジで実用化するうえでKDが必要であることを裏づけています。