論文の概要: A Demonstration of Smart Doorbell Design Using Federated Deep Learning
- arxiv url: http://arxiv.org/abs/2010.09687v1
- Date: Mon, 19 Oct 2020 17:22:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 21:13:19.594198
- Title: A Demonstration of Smart Doorbell Design Using Federated Deep Learning
- Title(参考訳): フェデレーション深層学習を用いたスマートドアベル設計の実証
- Authors: Vatsal Patel and Sarth Kanani and Tapan Pathak and Pankesh Patel and
Muhammad Intizar Ali and John Breslin
- Abstract要約: 本稿では,フェデレート深層学習に基づく知的スマートドアベルの能力を示す。
エッジとクラウドのリソースにまたがるスマートドアベルのような、ビデオ分析アプリケーションのデプロイと管理が可能になる。
- 参考スコア(独自算出の注目度): 0.09786690381850353
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Smart doorbells have been playing an important role in protecting our modern
homes. Existing approaches of sending video streams to a centralized server (or
Cloud) for video analytics have been facing many challenges such as latency,
bandwidth cost and more importantly users' privacy concerns. To address these
challenges, this paper showcases the ability of an intelligent smart doorbell
based on Federated Deep Learning, which can deploy and manage video analytics
applications such as a smart doorbell across Edge and Cloud resources. This
platform can scale, work with multiple devices, seamlessly manage online
orchestration of the application components. The proposed framework is
implemented using state-of-the-art technology. We implement the Federated
Server using the Flask framework, containerized using Nginx and Gunicorn, which
is deployed on AWS EC2 and AWS Serverless architecture.
- Abstract(参考訳): スマートドアベルは現代の家を守る上で重要な役割を果たしています。
ビデオ分析のためにビデオストリームを集中型サーバ(あるいはクラウド)に送信する既存のアプローチは、レイテンシ、帯域幅コスト、さらに重要なユーザのプライバシー上の懸念など、多くの課題に直面している。
このような課題に対処するため,本稿では,エッジやクラウドリソースを越えたスマートドアベルなどのビデオ分析アプリケーションをデプロイおよび管理可能な,連合型ディープラーニングに基づくインテリジェントなスマートドアベルの能力を紹介する。
このプラットフォームはスケールし、複数のデバイスと連携し、アプリケーションコンポーネントのオンラインオーケストレーションをシームレスに管理できる。
提案するフレームワークは最先端技術を用いて実装されている。
私たちは、AWS EC2とAWS Serverlessアーキテクチャ上にデプロイされたNginxとGunicornを使用してコンテナ化されたFraskフレームワークを使用して、フェデレーションサーバを実装しています。
関連論文リスト
- TaskWeaver: A Code-First Agent Framework [51.78992527355425]
TaskWeaverは、LLMで動く自律エージェントを構築するためのコードファーストフレームワークである。
ユーザ要求を実行可能なコードに変換し、ユーザ定義プラグインを呼び出し可能な関数として扱う。
リッチなデータ構造、フレキシブルなプラグイン利用、動的プラグイン選択のサポートを提供する。
論文 参考訳(メタデータ) (2023-11-29T11:23:42Z) - Intelligent Closed-loop RAN Control with xApps in OpenRAN Gym [28.37831674645226]
オープンRANのインテリジェント閉ループ制御のためのAI/MLソリューションの設計方法について論じる。
我々は、OpenRAN Gymを通じて、O-RAN RAN Intelligent Controller (RIC)上でインスタンス化されたxAppにこれらのソリューションを組み込む方法を示す。
論文 参考訳(メタデータ) (2022-08-31T14:09:12Z) - Interactive Visualization of Protein RINs using NetworKit in the Cloud [57.780880387925954]
本稿では,タンパク質動態,特に残基相互作用ネットワーク(RIN)の例について考察する。
NetworKitを使ってクラウドベースの環境を構築しています。
このアプローチの汎用性を実証するために、私たちは、RIN視覚化のためのカスタムJupyterベースのウィジェットを構築するためにそれを使用します。
論文 参考訳(メタデータ) (2022-03-02T17:41:45Z) - Auto-Split: A General Framework of Collaborative Edge-Cloud AI [49.750972428032355]
本稿では,Huawei Cloudのエッジクラウド共同プロトタイプであるAuto-Splitの技法と技術実践について述べる。
私たちの知る限りでは、Deep Neural Network(DNN)分割機能を提供する既存の産業製品はありません。
論文 参考訳(メタデータ) (2021-08-30T08:03:29Z) - Internet of Things (IoT) Based Video Analytics: a use case of Smart
Doorbell [0.0]
ビデオベースのスマートドアベルシステムは、ビデオ分析のアプリケーションドメインのひとつだ。
本稿では,スマートドアベルシステムを用いた映像解析のための分散フレームワークを提案する。
提案されたフレームワークはベースプラットフォームとしてaws cloud servicesを使用しており、価格設定の制約を満たすため、システムは安価なraspberry piに実装された。
論文 参考訳(メタデータ) (2021-05-13T18:48:48Z) - Demonstration of a Cloud-based Software Framework for Video Analytics
Application using Low-Cost IoT Devices [0.09236074230806578]
エッジリソースとクラウドリソースをまたいだビデオ分析をオーケストレーションするスマートドアベルを提案する。
この提案では、AWSを基本プラットフォームとして実装し、Edgeデバイスという形でRaspberry PiのようなCOTSで手頃な価格のデバイスを活用する。
論文 参考訳(メタデータ) (2020-09-29T06:05:32Z) - A Distributed Framework to Orchestrate Video Analytics Applications [0.09236074230806578]
We propose a distributed framework to orchestrate video analytics across Edge and Cloud resources。
本稿では,提案するフレームワークと最先端モデルについて検討し,様々な指標について比較分析を行った。
論文 参考訳(メタデータ) (2020-09-17T07:10:05Z) - Large-Scale Intelligent Microservices [24.99695289157708]
我々は、データベース操作を拡張してWebサービスプリミティブを含むApache Sparkベースのマイクロサービスオーケストレーションフレームワークを紹介します。
音声、視覚、検索、異常検出、テキスト分析などのインテリジェントなサービスに対して大規模なクライアントを提供する。
論文 参考訳(メタデータ) (2020-09-17T03:38:28Z) - AssembleNet++: Assembling Modality Representations via Attention
Connections [83.50084190050093]
i)セマンティックオブジェクト情報と生の外観と動きの特徴の相互作用を学習し、(ii)ネットワークの各畳み込みブロックにおける特徴の重要性をよりよく学習するために注意を配置する。
ピアアテンションと呼ばれる新しいネットワークコンポーネントを導入し、別のブロックや入力モダリティを使って動的にアテンションウェイトを学習する。
論文 参考訳(メタデータ) (2020-08-18T17:54:08Z) - A Privacy-Preserving Distributed Architecture for
Deep-Learning-as-a-Service [68.84245063902908]
本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。
クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
論文 参考訳(メタデータ) (2020-03-30T15:12:03Z) - 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)
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。