Fugu-MT 論文翻訳(概要): Video Analytics on IoT devices

論文の概要: Video Analytics on IoT devices

arxiv url: http://arxiv.org/abs/2102.07455v1
Date: Mon, 15 Feb 2021 11:06:46 GMT
ステータス: 処理完了
システム内更新日: 2021-02-16 15:43:30.899480
Title: Video Analytics on IoT devices
Title（参考訳）: IoTデバイス上のビデオ分析
Authors: Sree Premkumar, Vimal Premkumar, and Rakesh Dhakshinamurthy
Abstract要約: 本稿では,最新のDeep Learning (DL) ベースのビデオ分析手法と,標準的なComputer Vision (CV) ベースの手法を比較した。 iotデバイス上でのビデオ分析を行うための最善のアプローチについても論じる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Deep Learning (DL) combined with advanced model optimization methods such as RC-NN and Edge2Train has enabled offline execution of large networks on the IoT devices. In this paper, we compare the modern Deep Learning (DL) based video analytics approaches with the standard Computer Vision (CV) based approaches and finally, discuss the best-suited approach for video analytics on IoT devices.
Abstract（参考訳）: Deep Learning (DL)とRC-NNやEdge2Trainといった高度なモデル最適化手法を組み合わせることで、IoTデバイス上で大規模なネットワークをオフラインで実行できるようになった。本稿では,最新のDeep Learning (DL) ベースのビデオ分析アプローチと標準的なComputer Vision (CV) ベースのアプローチを比較し,最後に,IoTデバイス上でのビデオ分析に最も適したアプローチについて議論する。

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)
TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文参考訳（メタデータ） (2024-04-15T06:01:48Z)
Comparison Analysis of Traditional Machine Learning and Deep Learning Techniques for Data and Image Classification [62.997667081978825]
本研究の目的は、コンピュータビジョン2次元オブジェクト分類タスクに使用される最も一般的な機械学習およびディープラーニング技術を分析し比較することである。まず、視覚語モデルと深部畳み込みニューラルネットワーク(DCNN)の理論的背景を示す。次に、Bag of Visual Wordsモデル、VGG16 CNN Architectureを実装します。
論文参考訳（メタデータ） (2022-04-11T11:34:43Z)
Multi-Edge Server-Assisted Dynamic Federated Learning with an Optimized Floating Aggregation Point [51.47520726446029]
協調エッジ学習(CE-FL)は、分散機械学習アーキテクチャである。 CE-FLの過程をモデル化し,分析訓練を行った。実世界のテストベッドから収集したデータを用いて,本フレームワークの有効性を示す。
論文参考訳（メタデータ） (2022-03-26T00:41:57Z)
Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文参考訳（メタデータ） (2021-10-28T08:14:57Z)
Federated Learning for Internet of Things: A Federated Learning Framework for On-device Anomaly Data Detection [10.232121085973782]
我々は、N-BaIoT、FedDetectアルゴリズム、IoTデバイスのシステム設計を使用した合成データセットを含むFedIoTプラットフォームを構築します。現実的なIoTデバイス(PI)のネットワークにおいて,FedIoTプラットフォームとFedDetectアルゴリズムをモデルおよびシステムパフォーマンスの両方で評価する。
論文参考訳（メタデータ） (2021-06-15T08:53:42Z)
A Lightweight Concept Drift Detection and Adaptation Framework for IoT Data Streams [11.411196708408887]
最適化されたLightGBMとコンセプトドリフト適応に基づく,異常検出のための適応型IoTストリーミングデータ分析フレームワークを提案する。 2つの公開データセットの実験は、提案した適応型LightGBMモデルの精度と効率を示す。
論文参考訳（メタデータ） (2021-04-21T13:41:41Z)
Video Summarization Using Deep Neural Networks: A Survey [72.98424352264904]
ビデオ要約技術は、ビデオコンテンツの最も有益な部分を選択して、簡潔で完全なシノプシスを作成することを目指しています。本研究は,この領域における最近の進歩に着目し,既存の深層学習に基づく総括的映像要約手法の包括的調査を行う。
論文参考訳（メタデータ） (2021-01-15T11:41:29Z)
Model-Based Machine Learning for Communications [110.47840878388453]
モデルベースのアルゴリズムと機械学習をハイレベルな視点で組み合わせるための既存の戦略を見直します。通信受信機の基本的なタスクの一つであるシンボル検出に注目する。
論文参考訳（メタデータ） (2021-01-12T19:55:34Z)
Reliable Fleet Analytics for Edge IoT Solutions [0.0]
AIoTアプリケーションのエッジで機械学習を容易にするためのフレームワークを提案する。コントリビューションは、大規模にフリート分析を提供するためのサービス、ツール、メソッドを含むアーキテクチャである。本稿では,大学キャンパスの部屋でiotデバイスを用いた実験を行うことで,フレームワークの予備検証を行う。
論文参考訳（メタデータ） (2021-01-12T11:28:43Z)
LIMITS: Lightweight Machine Learning for IoT Systems with Resource Limitations [8.647853543335662]
我々は、IoTシステムのための新しいオープンソースのフレームワークLIghtweight Machine Learning(LIMITS)を紹介する。 LIMITSは、ターゲットIoTプラットフォームの実際のコンパイルツールチェーンを明示的に考慮した、プラットフォーム・イン・ザ・ループのアプローチを適用している。 LIMITSを携帯電話データレート予測と無線車種分類に応用し,その妥当性を検証した。
論文参考訳（メタデータ） (2020-01-28T06:34:35Z)

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。