論文の概要: Lightweight Mask R-CNN for Long-Range Wireless Power Transfer Systems

• arxiv url: http://arxiv.org/abs/2004.08761v1
• Date: Sun, 19 Apr 2020 03:50:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 00:24:07.097222
• Title: Lightweight Mask R-CNN for Long-Range Wireless Power Transfer Systems
• Title（参考訳）: 長距離無線電力伝送システムのための軽量マスクR-CNN
• Authors: Hao Li, Aozhou Wu, Wen Fang, Qingqing Zhang, Mingqing Liu, Qingwen Liu, Wei Chen
• Abstract要約: 共振ビーム充電(Resonant Beam Charging, RBC)は、無線充電技術である。 充電が必要なデバイスを検出するために,Mask R-CNNベースのデクションモデルが提案されている。 従来のMask R-CNNに基づくより軽量で高速なモデルを提供する機械学習検出手法を提案する。
• 参考スコア（独自算出の注目度）: 19.232710083744863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Resonant Beam Charging (RBC) is a wireless charging technology which supports multi-watt power transfer over meter-level distance. The features of safety, mobility and simultaneous charging capability enable RBC to charge multiple mobile devices safely at the same time. To detect the devices that need to be charged, a Mask R-CNN based dection model is proposed in previous work. However, considering the constraints of the RBC system, it's not easy to apply Mask R-CNN in lightweight hardware-embedded devices because of its heavy model and huge computation. Thus, we propose a machine learning detection approach which provides a lighter and faster model based on traditional Mask R-CNN. The proposed approach makes the object detection much easier to be transplanted on mobile devices and reduce the burden of hardware computation. By adjusting the structure of the backbone and the head part of Mask R-CNN, we reduce the average detection time from $1.02\mbox{s}$ per image to $0.6132\mbox{s}$, and reduce the model size from $245\mbox{MB}$ to $47.1\mbox{MB}$. The improved model is much more suitable for the application in the RBC system.
• Abstract（参考訳）: 共振ビーム充電(Resonant Beam Charging, RBC)は、無線充電技術である。 安全性、モビリティ、同時充電機能により、RBCは複数のモバイルデバイスを同時に安全に充電できる。 充電が必要なデバイスを検出するために,マスクr-cnnに基づくデクションモデルが先行研究で提案されている。 しかし,RBCシステムの制約を考慮すると,Mask R-CNNを軽量なハードウェア組み込みデバイスに適用するのは容易ではない。 そこで,従来のマスクr-cnnに基づくより軽量で高速なモデルを提供する機械学習検出手法を提案する。 提案手法により,モバイルデバイス上でのオブジェクト検出の移植が容易になり,ハードウェア計算の負担が軽減される。 背骨とMask R-CNNの頭部の構造を調整することで、平均検出時間を1イメージあたり1.02\mbox{s}$から0.6132\mbox{s}$に減らし、モデルサイズを245\mbox{MB}$から47.1\mbox{MB}$に短縮する。 改良されたモデルはRBCシステムにおけるアプリケーションにずっと適しています。

関連論文リスト

• Stretching Each Dollar: Diffusion Training from Scratch on a Micro-Budget [53.311109531586844]
  大規模T2I拡散変圧器モデルの低コスト化を実証する。 我々は16億のパラメータスパーストランスをわずか1890ドルの経済的コストで訓練し、ゼロショット世代で12.7 FIDを達成する。 我々は、マイクロ予算での大規模拡散モデルのトレーニングをさらに民主化するために、エンドツーエンドのトレーニングパイプラインをリリースすることを目指している。
  論文  参考訳（メタデータ） (2024-07-22T17:23:28Z)
• RingMo-lite: A Remote Sensing Multi-task Lightweight Network with CNN-Transformer Hybrid Framework [15.273362355253779]
  本稿では,CNN-Transformerハイブリッドフレームワークを用いたRSマルチタスク軽量ネットワークであるRingMo-liteを提案する。 提案したRingMo-liteは、様々なRS画像解釈タスクにおいて60%以上のパラメータを削減し、ほとんどのシーンで平均精度は2%以下に低下し、類似サイズのモデルと比較してSOTA性能が向上する。
  論文  参考訳（メタデータ） (2023-09-16T14:15:59Z)
• Robust Mixture-of-Expert Training for Convolutional Neural Networks [141.3531209949845]
  スパースゲート型Mixture of Expert (MoE) は高精度で超効率的なモデル推論を実現するための大きな可能性を実証している。 本稿では、AdvMoEと呼ばれるMoEのための新しいルータ-エキスパート交互学習フレームワークを提案する。 その結果,AdvMoEは従来の高密度CNNに比べて1%の対向ロバスト性向上を実現し,親和性に富むMoEの有効性を享受できることがわかった。
  論文  参考訳（メタデータ） (2023-08-19T20:58:21Z)
• Single-Shot Optical Neural Network [55.41644538483948]
  深層ニューラルネットワークに必要な計算資源を削減するために,「重定常」アナログ光学・電子ハードウェアが提案されている。 我々は、スケーラブルで1層当たり単発の重み付き光学プロセッサを提案する。
  論文  参考訳（メタデータ） (2022-05-18T17:49:49Z)
• Robustness Certificates for Implicit Neural Networks: A Mixed Monotone Contractive Approach [60.67748036747221]
  暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。 入力逆流の摂動に関して、それらは不安定なままである。 本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-10T03:08:55Z)
• Binarized ResNet: Enabling Robust Automatic Modulation Classification at the resource-constrained Edge [9.103162893345939]
  ディープニューラルネットワーク(DNN)は、自動変調分類(AMC)に広く使われている。 DNNはメモリと計算の要求が高く、デバイスがリソースに制約のあるエッジネットワークでは実用的ではない。 本研究は,低メモリと計算量のためにエッジネットワークに展開可能な,AMC用の回転型バイナリ大型ResNet(RBLResNet)を提案する。
  論文  参考訳（メタデータ） (2021-10-27T11:30:23Z)
• A Photonic-Circuits-Inspired Compact Network: Toward Real-Time Wireless Signal Classification at the Edge [3.841495731646297]
  大規模な機械学習モデルでは、レイテンシに敏感な下流タスクのためにエッジデバイス上で実装することが難しくなる可能性がある。 無線通信システムでは、ミリ秒以下のスケールでのMLデータ処理により、リアルタイムなネットワーク監視が可能となる。 本稿では,フォトニック・ハードウエアにインスパイアされたリカレントニューラルネットワークモデルからなる,コンパクトなディープ・ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-25T19:55:41Z)
• A Joint Energy and Latency Framework for Transfer Learning over 5G Industrial Edge Networks [53.26338041079138]
  5G産業エッジネットワークのための転送学習対応エッジCNNフレームワークを提案する。 特に、エッジサーバは、既存の画像データセットを使用してcnnを事前トレーニングすることができる。 TLの助けを借りて、トレーニングに参加していないデバイスは、訓練されたエッジCNNモデルをスクラッチからトレーニングせずに微調整するだけです。
  論文  参考訳（メタデータ） (2021-04-19T15:13:16Z)
• BinaryCoP: Binary Neural Network-based COVID-19 Face-Mask Wear and Positioning Predictor on Edge Devices [63.56630165340053]
  フェイスマスクは、空気性疾患に対する双方向保護のための医療に効果的な解決策を提供する。 CNNは、顔認識と正しいマスク着用と位置決めの分類に優れたソリューションを提供する。 CNNは、企業ビル、空港、ショッピングエリア、その他の屋内場所への入り口で利用でき、ウイルスの拡散を緩和することができる。
  論文  参考訳（メタデータ） (2021-02-06T00:14:06Z)
• Driver Drowsiness Detection Model Using Convolutional Neural Networks Techniques for Android Application [0.8644909837301148]
  本稿では,ニューラルネットワークを用いた微小睡眠と眠気の検出に焦点をあてる。 カメラによって検出され、畳み込みニューラルネットワーク(CNN)に渡される顔のランドマークを利用して、眠気を分類することで精度が向上した。 提案したCNNベースのモデルは,組込みシステムとAndroidデバイスを対象とした,高精度で使いやすいリアルタイムドライバの眠気検知システムを構築するために使用することができる。
  論文  参考訳（メタデータ） (2020-01-17T12:39:50Z)

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。