論文の概要: Smart Irrigation IoT Solution using Transfer Learning for Neural Networks

• arxiv url: http://arxiv.org/abs/2009.12747v1
• Date: Sun, 27 Sep 2020 05:31:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 03:44:03.047831
• Title: Smart Irrigation IoT Solution using Transfer Learning for Neural Networks
• Title（参考訳）: ニューラルネットのためのトランスファーラーニングを用いたスマート洗浄IoTソリューション
• Authors: A. Risheh, A. Jalili, E. Nazerfard
• Abstract要約: 本稿では,既存のベクター回帰の代替手法と比較して,ニューラルネットワークの性能を示す。 そこで我々は,IoTエッジデバイスにおけるニューラルネットワークの処理能力を低減するために,トランスファーラーニング(transfer learning)を提案する。 提案したIoTアーキテクチャは、スマート灌水のための完全なソリューションである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we develop a reliable system for smart irrigation of greenhouses using artificial neural networks, and an IoT architecture. Our solution uses four sensors in different layers of soil to predict future moisture. Using a dataset we collected by running experiments on different soils, we show high performance of neural networks compared to existing alternative method of support vector regression. To reduce the processing power of neural network for the IoT edge devices, we propose using transfer learning. Transfer learning also speeds up training performance with small amount of training data, and allows integrating climate sensors to a pre-trained model, which are the other two challenges of smart irrigation of greenhouses. Our proposed IoT architecture shows a complete solution for smart irrigation.
• Abstract（参考訳）: 本稿では,人工ニューラルネットワークを用いた温室のスマート灌水のための信頼性の高いシステムとIoTアーキテクチャを提案する。 溶液は土壌の異なる層に4つのセンサーを使い、将来の水分を予測する。 異なる土壌上で実験を行い, 得られたデータセットを用いて, ニューラルネットワークの性能を, 従来のサポートベクトル回帰法と比較した。 IoTエッジデバイスにおけるニューラルネットワークの処理能力を低減するために,転送学習を提案する。 トランスファーラーニングはまた、少量のトレーニングデータでトレーニングパフォーマンスを向上し、温室のスマート灌水に関する他の2つの課題である、事前訓練されたモデルに気候センサーを統合することができる。 提案したIoTアーキテクチャは、スマート灌水のための完全なソリューションである。

関連論文リスト

• A Cutting-Edge Deep Learning Method For Enhancing IoT Security [0.0]
  本稿では,Deep Learning-integrated Convolutional Neural Networks (CNN) とLong Short-Term Memory (LSTM) ネットワークを用いたモノのインターネット(IoT)環境侵入検知システム(IDS)の革新的な設計を提案する。 われわれのモデルはCICIDS 2017データセットに基づいて、ネットワークトラフィックを良性または悪意のいずれかとして分類する精度99.52%を達成した。
  論文  参考訳（メタデータ） (2024-06-18T08:42:51Z)
• NAS-ASDet: An Adaptive Design Method for Surface Defect Detection Network using Neural Architecture Search [5.640706784987607]
  表面欠陥検出のためのネットワークを適応的に設計するためのNAS-ASDetと呼ばれる新しい手法を提案する。 まず、特徴分布を適応的に調整できる、洗練された業界に適した検索空間を設計する。 そして、より高速に探索空間を探索するために、深い監視機構を備えたプログレッシブ検索戦略を用いる。
  論文  参考訳（メタデータ） (2023-11-18T03:15:45Z)
• Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
  本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。 関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
  論文  参考訳（メタデータ） (2023-08-22T03:13:57Z)
• Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
  大規模空間問題に対する学習効率を向上させるために移動学習を用いる。 畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
  論文  参考訳（メタデータ） (2023-06-14T01:24:42Z)
• Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
  ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。 提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。 我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2022-09-26T17:59:58Z)
• Automated Customization of On-Thing Inference for Quality-of-Experience Enhancement [27.16877467047541]
  本稿では,IoTデバイス上でのDL推論の自動カスタマイズ(オンシング推論とみなす)について検討する。 我々は、様々なユーザQoEパターンを扱うための優れた一般化能力を持つ、新しいオンライン学習アルゴリズムであるNeuralUCBを使用している。 我々は、NeuralUCBの学習効率を保ちながら、QoE勧誘回数を減らすために、フィードバック勧誘スキームを設計する。
  論文  参考訳（メタデータ） (2021-12-11T07:37:13Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Wireless Sensing With Deep Spectrogram Network and Primitive Based Autoregressive Hybrid Channel Model [20.670058030653458]
  無線センシングに基づくヒューマンモーション認識(hmr)は,シーン理解のための低コスト手法である。 現在のHMRシステムは、レーダー信号を分類するためにサポートベクターマシン(SVM)と畳み込みニューラルネットワーク(CNN)を採用している。 本稿では,残差マッピング技術を利用してHMR性能を向上させるディープ・スペクトログラム・ネットワーク(DSN)を提案する。
  論文  参考訳（メタデータ） (2021-04-21T06:33:01Z)
• Machine Learning and Soil Humidity Sensing: Signal Strength Approach [0.0]
  既存のソリューションは、感知されたデータを無線チャネルを介して送信する、空腹/露光センサーから受信したデータに基づいています。 本研究は, 深層学習技術を用いた湿度センサを実現する, 低コストで低消費電力なLoRaシステムの概念を探求する。
  論文  参考訳（メタデータ） (2020-11-16T21:00:36Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。