論文の概要: AHAR: Adaptive CNN for Energy-efficient Human Activity Recognition in Low-power Edge Devices

• arxiv url: http://arxiv.org/abs/2102.01875v1
• Date: Wed, 3 Feb 2021 04:49:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-02-04 17:11:17.147734
• Title: AHAR: Adaptive CNN for Energy-efficient Human Activity Recognition in Low-power Edge Devices
• Title（参考訳）: AHAR:低消費電力エッジデバイスにおけるエネルギー効率人間活動認識のための適応型CNN
• Authors: Nafiul Rashid, Berken Utku Demirel, Mohammad Abdullah Al Faruque
• Abstract要約: 本稿では,低消費電力エッジデバイスに適したエネルギー効率なヒューマンアクティビティ認識(AHAR)のための適応CNNを提案する。 AHARは、推論フェーズで使用するベースラインアーキテクチャの一部を選択する、新しい適応アーキテクチャを使用している。 w-HARデータセットの場合、我々のベースラインアーキテクチャはOpportunityデータセットと比較してエネルギー効率が著しく(422.38倍)、メモリ効率が14.29倍低い。
• 参考スコア（独自算出の注目度）: 4.927511651631258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human Activity Recognition (HAR) is one of the key applications of health monitoring that requires continuous use of wearable devices to track daily activities. State-of-the-art works using wearable devices have been following fog/cloud computing architecture where the data is classified at the mobile phones/remote servers. This kind of approach suffers from energy, latency, and privacy issues. Therefore, we follow edge computing architecture where the wearable device solutions provide adequate performance while being energy and memory-efficient. This paper proposes an Adaptive CNN for energy-efficient HAR (AHAR) suitable for low-power edge devices. AHAR uses a novel adaptive architecture that selects a portion of the baseline architecture to use during the inference phase. We validate our methodology in classifying locomotion activities from two datasets- Opportunity and w-HAR. Compared to the fog/cloud computing approaches for the Opportunity dataset, our baseline and adaptive architecture shows a comparable weighted F1 score of 91.79%, and 91.57%, respectively. For the w-HAR dataset, our baseline and adaptive architecture outperforms the state-of-the-art works with a weighted F1 score of 97.55%, and 97.64%, respectively. Evaluation on real hardware shows that our baseline architecture is significantly energy-efficient (422.38x less) and memory-efficient (14.29x less) compared to the works on the Opportunity dataset. For the w-HAR dataset, our baseline architecture requires 2.04x less energy and 2.18x less memory compared to the state-of-the-art work. Moreover, experimental results show that our adaptive architecture is 12.32% (Opportunity) and 11.14% (w-HAR) energy-efficient than our baseline while providing similar (Opportunity) or better (w-HAR) performance with no significant memory overhead.
• Abstract（参考訳）: 人間の活動認識(HAR)は、毎日の活動を追跡するためにウェアラブルデバイスの継続的な使用を必要とする健康監視の重要なアプリケーションの1つです。 ウェアラブルデバイスを使った最先端の作業は、携帯電話/リモートサーバでデータを分類するフォグ/クラウドコンピューティングアーキテクチャに従っている。 この種のアプローチは、エネルギー、レイテンシ、およびプライバシの問題に苦しむ。 したがって、ウェアラブルデバイスソリューションがエネルギーとメモリ効率を高めながら、適切なパフォーマンスを提供するエッジコンピューティングアーキテクチャに従います。 本稿では,低消費電力エッジデバイスに適したエネルギー効率HAR(AHAR)用Adaptive CNNを提案する。 AHARは、推論フェーズで使用するベースラインアーキテクチャの一部を選択する新しい適応アーキテクチャを使用します。 我々は2つのデータセット(オポチュニティとw-HAR)からロコモーションアクティビティを分類する手法を検証する。 Opportunityデータセットのフォグ/クラウドコンピューティングアプローチと比較して、ベースラインとアダプティブアーキテクチャは、それぞれ91.79%、91.57%の重み付きF1スコアを示している。 w-HARデータセットでは、ベースラインと適応アーキテクチャは、それぞれ97.55%、97.64%の重み付きF1スコアで最先端の作品よりも優れています。 実際のハードウェアでの評価では、我々のベースラインアーキテクチャはOpportunityデータセットの作業に比べてエネルギー効率が著しく(422.38倍)、メモリ効率が14.29倍低い。 w-harデータセットのベースラインアーキテクチャは、最先端の処理に比べて2.04倍のエネルギーと2.18倍のメモリを必要とする。 さらに, 適応型アーキテクチャは12.32% (Opportunity) であり, 11.14% (w-HAR) のエネルギー効率がベースラインよりも優れており, 類似の(Opportunity) や優れた(w-HAR) 性能はメモリオーバーヘッドを伴わない。

関連論文リスト

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Efficient Federated Learning Using Dynamic Update and Adaptive Pruning with Momentum on Shared Server Data [59.6985168241067]
  フェデレートラーニング(FL)は、低トレーニング効率と限られた計算資源の2つの重要な問題に遭遇する。 本稿では,サーバ上の共有不感データとエッジデバイスの分散データを活用するための新しいFLフレームワークであるFedDUMAPを提案する。 提案するFLモデルであるFedDUMAPは,従来の3つの手法を組み合わせることで,ベースラインアプローチと比較して性能が大幅に向上した。
  論文  参考訳（メタデータ） (2024-08-11T02:59:11Z)
• HARMamba: Efficient and Lightweight Wearable Sensor Human Activity Recognition Based on Bidirectional Mamba [7.412537185607976]
  ウェアラブルセンサーによる人間の活動認識(HAR)は、活動知覚において重要な研究領域である。 HARMambaは、選択的な双方向状態空間モデルとハードウェア対応設計を組み合わせた、革新的な軽量で多用途なHARアーキテクチャである。 HarMambaは現代の最先端フレームワークより優れており、計算とメモリの要求を大幅に削減し、同等またはより良い精度を提供する。
  論文  参考訳（メタデータ） (2024-03-29T13:57:46Z)
• Rethinking Mobile Block for Efficient Attention-based Models [60.0312591342016]
  本稿では、パラメータ、FLOP、性能をトレードオフしながら、高密度予測のための現代的で効率的で軽量なモデルを開発することに焦点を当てる。 Inverted Residual Block (IRB) は軽量CNNの基盤として機能するが、注目に基づく研究ではその存在は認められていない。 我々はCNNベースのIRBをアテンションベースモデルに拡張し、軽量モデル設計のためのMMB(One-Residual Meta Mobile Block)を抽象化する。
  論文  参考訳（メタデータ） (2023-01-03T15:11:41Z)
• HADAS: Hardware-Aware Dynamic Neural Architecture Search for Edge Performance Scaling [8.29394286023338]
  動的ニューラルネットワーク(DyNN)は、リソース制約されたエッジデバイス上でのインテリジェンスを実現するための有効な技術となっている。 多くの場合、設計段階で基盤となるバックボーンアーキテクチャが開発されているため、DyNNの実装は準最適である。 我々は、バックボーン、早期終了機能、DVFS設定が協調的に最適化されたDyNNアーキテクチャを実現する新しいハードウェア対応動的ニューラルネットワーク探索フレームワークであるHADASを提案する。
  論文  参考訳（メタデータ） (2022-12-06T22:27:00Z)
• Lightweight Transformers for Human Activity Recognition on Mobile Devices [0.5505634045241288]
  モバイルデバイス上でのヒューマンアクティビティ認識(HAR)は、軽量なニューラルモデルで実現可能であることが示されている。 本稿では,HART(Human Activity Recognition Transformer)について述べる。 HARタスクに対するいくつかの公開データセットによる実験により、HARTはFLOPS(FLoating-point Operations Per Second)とパラメータを減らし、現在の最先端結果を上回っていることが示された。
  論文  参考訳（メタデータ） (2022-09-22T09:42:08Z)
• EResFD: Rediscovery of the Effectiveness of Standard Convolution for Lightweight Face Detection [13.357235715178584]
  顔検出のための軽量バックボーンアーキテクチャとして,標準的な畳み込みブロックの有効性を再検討する。 チャネル切断された標準畳み込み層は精度と推論速度を向上できることを示す。 提案する検出器EResFDは,CPU上でのVGA画像推測に37.7msしか要しないWIDER FACE Hardサブセット上で80.4%のmAPを得た。
  論文  参考訳（メタデータ） (2022-04-04T02:30:43Z)
• Off-Policy Reinforcement Learning for Efficient and Effective GAN Architecture Search [50.40004966087121]
  本稿では,GANアーキテクチャ探索のための強化学習に基づくニューラルアーキテクチャ探索手法を提案する。 鍵となる考え方は、よりスムーズなアーキテクチャサンプリングのためのマルコフ決定プロセス(MDP)として、GANアーキテクチャ探索問題を定式化することである。 我々は,従来の政策によって生成されたサンプルを効率的に活用する,非政治的なGANアーキテクチャ探索アルゴリズムを利用する。
  論文  参考訳（メタデータ） (2020-07-17T18:29:17Z)
• AutoHAS: Efficient Hyperparameter and Architecture Search [104.29883101871083]
  AutoHASは、共有ネットワークウェイトと強化学習コントローラを交互に更新することを学ぶ。 選択したHPから更新された重量を格納するために一時的な重量を導入する。 実験では、AutoHASは様々な検索空間、ベースライン、データセットに対して効率的かつ一般化可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-05T19:57:24Z)
• Real-time Human Activity Recognition Using Conditionally Parametrized Convolutions on Mobile and Wearable Devices [14.260179062012512]
  ディープ畳み込みニューラルネットワーク(CNN)は、さまざまなHARデータセットで最先端のパフォーマンスを達成した。 深い傾きの操作の多さは計算コストを増大させ,モバイルおよびウェアラブルセンサを用いたリアルタイムHARには適さない。 本研究では,モバイルおよびウェアラブルデバイス上でのリアルタイムHARのための条件パラメタライズド・コンボリューションを用いた効率的なCNNを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:42Z)
• A Data and Compute Efficient Design for Limited-Resources Deep Learning [68.55415606184]
  同変ニューラルネットワークは 深層学習コミュニティへの関心を高めています 医療分野では、データの対称性を効果的に活用して、より正確で堅牢なモデルの構築に成功している。 ディープ・ラーニング・ソリューションのモバイル・オン・デバイス実装は医療応用のために開発されている。 しかし、同変モデルは大規模で計算コストのかかるアーキテクチャを用いて一般的に実装されており、モバイルデバイス上では動作しない。 本研究では、MobileNetV2の同変バージョンを設計、テストし、さらにモデル量子化により最適化し、より効率的な推論を可能にする。
  論文  参考訳（メタデータ） (2020-04-21T00:49:11Z)

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。