論文の概要: FedVision: An Online Visual Object Detection Platform Powered by
Federated Learning
- arxiv url: http://arxiv.org/abs/2001.06202v1
- Date: Fri, 17 Jan 2020 09:02:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 09:51:08.171479
- Title: FedVision: An Online Visual Object Detection Platform Powered by
Federated Learning
- Title（参考訳）: FedVision:フェデレーション学習を利用したオンラインビジュアルオブジェクト検出プラットフォーム
- Authors: Yang Liu, Anbu Huang, Yun Luo, He Huang, Youzhi Liu, Yuanyuan Chen,
Lican Feng, Tianjian Chen, Han Yu, Qiang Yang
- Abstract要約: FedVisionは、フェデレート学習を利用したコンピュータビジョンアプリケーションの開発を支援する機械学習エンジニアリングプラットフォームである。
このプラットホームは、WeBankとExtreme Visionのコラボレーションを通じて展開され、顧客がスマートシティアプリケーションでコンピュータビジョンベースの安全監視ソリューションを開発するのを助ける。
私たちの知る限りでは、コンピュータビジョンベースのタスクにおけるFLの実際の応用としてはこれが初めてです。
- 参考スコア（独自算出の注目度）: 28.644610569780713
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual object detection is a computer vision-based artificial intelligence
(AI) technique which has many practical applications (e.g., fire hazard
monitoring). However, due to privacy concerns and the high cost of transmitting
video data, it is highly challenging to build object detection models on
centrally stored large training datasets following the current approach.
Federated learning (FL) is a promising approach to resolve this challenge.
Nevertheless, there currently lacks an easy to use tool to enable computer
vision application developers who are not experts in federated learning to
conveniently leverage this technology and apply it in their systems. In this
paper, we report FedVision - a machine learning engineering platform to support
the development of federated learning powered computer vision applications. The
platform has been deployed through a collaboration between WeBank and Extreme
Vision to help customers develop computer vision-based safety monitoring
solutions in smart city applications. Over four months of usage, it has
achieved significant efficiency improvement and cost reduction while removing
the need to transmit sensitive data for three major corporate customers. To the
best of our knowledge, this is the first real application of FL in computer
vision-based tasks.
- Abstract（参考訳）: ビジュアルオブジェクト検出(Visual Object Detection)は、コンピュータビジョンに基づく人工知能(AI)技術であり、多くの実用的応用(火災監視など)がある。
しかしながら、プライバシの懸念とビデオデータ転送コストの高まりから、現在のアプローチに従って集中的に格納された大規模トレーニングデータセット上にオブジェクト検出モデルを構築することは極めて困難である。
フェデレートラーニング(FL)はこの課題を解決するための有望なアプローチである。
それでも現時点では、フェデレーション学習の専門家でないコンピュータビジョンアプリケーション開発者が、この技術を便利に活用し、システムに適用するための簡単なツールが欠けている。
本稿では,フェデレーションを利用したコンピュータビジョンアプリケーションの開発を支援する機械学習エンジニアリングプラットフォームであるFedVisionについて報告する。
このプラットホームは、WeBankとExtreme Visionのコラボレーションにより、顧客がスマートシティアプリケーションでコンピュータビジョンベースの安全監視ソリューションを開発するのを助ける。
4ヶ月の運用期間を経て、大きな効率改善とコスト削減を実現し、3つの大企業顧客に対して機密データを送信する必要がなくなった。
私たちの知る限りでは、コンピュータビジョンベースのタスクにおけるFLの実際の応用としてはこれが初めてです。
関連論文リスト
- The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective [64.36680481458868]
Mobile Edge Computing (MEC)は、クラウドコンピューティングと情報技術(IT)サービスをネットワークのエッジで配信できるようにする新しいコンピューティングパラダイムである。
本稿では,人工知能(AI)の観点からMECのセキュリティとプライバシに関する調査を行う。
新たなセキュリティとプライバシの問題に加えて、AIの観点からの潜在的なソリューションにも重点を置いています。
論文 参考訳（メタデータ） (2024-01-03T07:47:22Z) - Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly [62.473245910234304]
本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。
マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
論文 参考訳（メタデータ） (2023-10-04T20:27:20Z) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳（メタデータ） (2023-08-27T03:55:28Z) - Universal Object Detection with Large Vision Model [79.06618136217142]
本研究は,大規模多領域普遍物体検出問題に焦点をあてる。
これらの課題に対処するために,ラベル処理,階層型設計,資源効率のよいモデルトレーニングを提案する。
本手法は,ロバスト・ビジョン・チャレンジ2022のオブジェクト検出トラックにおいて,優れた2位の地位を確保した。
論文 参考訳（メタデータ） (2022-12-19T12:40:13Z) - Robustar: Interactive Toolbox Supporting Precise Data Annotation for
Robust Vision Learning [53.900911121695536]
ソフトウェアRobustarの初期リリースを紹介します。
それは、データ駆動の観点から視覚分類機械学習モデルの堅牢性を改善することを目的としている。
論文 参考訳（メタデータ） (2022-07-18T21:12:28Z) - A review of Federated Learning in Intrusion Detection Systems for IoT [0.15469452301122172]
侵入検知システムは、環境中の異常を検索するデータ分析を行うインテリジェントシステムへと進化している。
ディープラーニング技術は、より複雑で効果的な脅威検出モデルを構築するための扉を開いた。
現在のアプローチは、すべてのパーティからデータを受け取る強力な集中型サーバに依存しています。
本稿では,侵入検出分野におけるフェデレートラーニング手法の適用に焦点を当てた。
論文 参考訳（メタデータ） (2022-04-26T17:00:07Z) - Pervasive AI for IoT Applications: Resource-efficient Distributed
Artificial Intelligence [45.076180487387575]
人工知能(AI)は、さまざまなモノのインターネット(IoT)アプリケーションやサービスにおいて大きなブレークスルーを目の当たりにした。
これは、感覚データへの容易なアクセスと、リアルタイムデータストリームのゼッタバイト(ZB)を生成する広帯域/ユビキタスデバイスの巨大なスケールによって駆動される。
広範コンピューティングと人工知能の合流により、Pervasive AIはユビキタスIoTシステムの役割を拡大した。
論文 参考訳（メタデータ） (2021-05-04T23:42:06Z) - Visual Probing and Correction of Object Recognition Models with
Interactive user feedback [2.8101673772585736]
本稿では,オブジェクト認識モデルの不確かさを可視化し,ユーザフィードバックによる修正プロセスを提案する。
VAST 2020 Mini-Challenge 2が提供するデータに対するアプローチを実証します。
論文 参考訳（メタデータ） (2020-12-29T00:36:12Z) - An Efficient UAV-based Artificial Intelligence Framework for Real-Time
Visual Tasks [33.489573797811474]
アドホックなビジュアルベースのAIアプリケーションを容易に統合できるように、マルチレイヤAI(MLAI)フレームワークを導入します。
特徴とその利点を示すために,オブジェクト検出,目標追跡,ターゲットハンドオーバのための,現代の視覚的深層学習モデルを実装し,評価した。
論文 参考訳（メタデータ） (2020-04-13T18:53:12Z) - DEEVA: A Deep Learning and IoT Based Computer Vision System to Address
Safety and Security of Production Sites in Energy Industry [0.0]
本稿では,シーン分類,シーン中のオブジェクト検出,セマンティックセグメンテーション,シーンキャプションなど,さまざまなコンピュータビジョンに関わる問題に取り組む。
我々は、シーン分類、オブジェクト検出、セマンティックセグメンテーション、シーンのキャプションを扱うためのDeep ExxonMobil Eye for Video Analysis (DEEVA)パッケージを開発した。
その結果, RetinaNet物体検出器を用いた伝達学習により, 作業者の存在, 車両・建設機器の種類, 安全関連物体を高い精度(90%以上)で検出できることがわかった。
論文 参考訳（メタデータ） (2020-03-02T21:26:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。