リアルタイムPixOODに向けて：自動運転のための効率的な異常セグメンテーション

Towards Real-Time PixOOD: Efficient Anomaly Segmentation for Autonomous Vehicles

本文精読認識安全性システム・実装

Luca de Martino, Federico Aromolo, Federico Nesti, Giorgio Buttazzo ／ arXiv:2607.28483 ／ PDF

2026-07-30 投稿

AI が本文を読んで生成（2026-08-05）

1分まとめ

PixOODのNeyman-PearsonスコアリングをGPU上で再実装しTensorRTでコンパイルすることで、Jetson AGX Orinで75.1FPS、RTX 4060で181.6FPSを実現した。精度はほぼ不変で、標準のroad-region評価は実運用に対して楽観的であることを示した。

PixOODのNeyman-Pearsonスコアリングをlog空間でGPU再実装し、ONNX経由でTensorRTエンジン化する高速化パイプラインを提案した。
Jetson AGX Orin（640px, FP16）で75.1FPS、RTX 4060で181.6FPSを達成し、元実装比で最大20倍高速化した。
精度はほぼ維持され、LostAndFoundのroad-region APはDINOv2-CSで87.46%とViT-Lベースライン相当だった。
ただし、LostAndFoundをfull-frameで評価するとAPは0.20%まで低下し、road-region評価は実運用性能を過大評価する。
OSDaR-ARの障害物はAR合成であり、実物の鉄道障害物での検証は未実施。エネルギー測定もOrinとRTX 4060で測定範囲が異なる。

課題

既存のPixOODはNeyman-PearsonスコアリングをCPUで実行しており、埋め込みGPUではボトルネックとなり、25FPSの要求を満たせない。さらに標準ベンチマークは道路領域のみを評価し、実運用で問題となるオフロード領域の誤検出を無視している。

提案手法

提案手法は、(1) Neyman-Pearsonスコアリングをlog空間のGPUカーネルとgrid_sampleベースのCDFルックアップで再実装し、CPU往復を排除する。(2) バックボーンとMLPデコーダを第1エンジン、KNNとスコアリングを第2エンジンとするTensorRTコンパイルを行う。DINOv3はFP16で数値不安定があるためFP32、DINOv2はFP16で運用する。ViTバックボーンはDINOv2/DINOv3のViT-Sを用いる。

評価と結果

LostAndFound（2048x1024）をroad-regionとfull-frameの両プロトコルで評価。road-regionではDINOv2-CSがAP 87.46%、FPR95 1.81%とViT-Lベースライン相当。full-frameではAPが0.20%に低下。OSDaR-ARではDINOv3-RSが1792pxでAP 56.75%、FPR95 29.77%、DINOv2-RSが896pxでAP 46.77%、FPR95 31.63%。TensorRT化によりOrinで75.1FPS、RTX 4060で181.6FPS（DINOv2, 640px, FP16）を達成。エネルギーはOrinで0.44J/フレーム。元実装比で6〜20倍高速。

TensorRT化による遅延・エネルギー改善（Table 3より抜粋）

Platform	Model	Res.	Prec.	Baseline (ms / FPS)	TensorRT (ms / FPS)	Baseline Energy (J)	TensorRT Energy (J)
RTX 4060	DINOv2	640px	FP16	109.4 / 9.1	5.51 / 181.6	6.23	0.56
RTX 4060	DINOv3	640px	FP32	119.3 / 8.4	9.38 / 106.6	7.16	1.02
Jetson AGX Orin	DINOv2	640px	FP16	240.2 / 4.2	13.34 / 75.1	1.80	0.44
Jetson AGX Orin	DINOv3	640px	FP32	306.4 / 3.3	21.73 / 46.0	2.52	0.71

出典: Table 3。平均2000回の推論。BaselineのエネルギーはCPUスコアリングを含まず下界。OrinはGPU電源レール、RTX 4060はボード全体の電力を測定しており直接比較できない。

TensorRT化によるFPS向上（Table 3より）

出典: Table 3。FPS は平均2000回の推論。DINOv2 は FP16、DINOv3 は FP32。

LostAndFoundのAPはfull-frameで急落（Table 1より）

出典: Table 1。road-regionプロトコルは道路領域のみ評価し、full-frameでは無視ラベルを外した全画像評価。full-frame APは1%未満に低下し、実運用への楽観性を示す。

新規性

検出手法そのものではなく、PixOODのスコアリングをGPU化しTensorRT対応にした実装と、運転・鉄道両領域での系統的なレイテンシ・エネルギー評価が新規。既存研究の組み合わせに近い。

限界

著者による明示的なlimitations節はない。ただし、評価はLostAndFoundとOSDaR-ARのみで、OSDaR-ARの異常物体はAR合成。full-frameプロトコルではAPが1%未満に落ちるが、改善策は提案していない。エネルギーはOrinがGPUチップ電源、RTX 4060がボード全体で直接比較できない。DINOv3はFP16非対応でFP32のみ。グリッドサンプリングによる近似はAP偏差0.15%未満。

産業へのインパクト

Jetson AGX Orin級のSoCで25FPSを超える異常セグメンテーションが動作し、0.44J/フレームのエネルギーで処理できることを示した。自動車だけでなく鉄道の障害物検知にも適用可能だが、オフロード領域の誤検出への対策が実運用には必要。

← 一覧に戻る