論文の概要: Distributed CNN Inference on Resource-Constrained UAVs for Surveillance
Systems: Design and Optimization
- arxiv url: http://arxiv.org/abs/2105.11013v1
- Date: Sun, 23 May 2021 20:19:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-26 07:47:03.496748
- Title: Distributed CNN Inference on Resource-Constrained UAVs for Surveillance
Systems: Design and Optimization
- Title（参考訳）: サーベイランスシステムのための資源制約付きUAVの分散CNN推論:設計と最適化
- Authors: Mohammed Jouhari, Abdulla Al-Ali, Emna Baccour, Amr Mohamed, Aiman
Erbad, Mohsen Guizani, Mounir Hamdi
- Abstract要約: 無人航空機(UAV)は、広い地域をカバーし、困難で危険な目標地域にアクセスする能力のため、ここ数年で大きな関心を集めている。
コンピュータビジョンと機械学習の進歩により、UAVは幅広いソリューションやアプリケーションに採用されている。
ディープニューラルネットワーク(DNN)は、それらがオンボードで実行されるのを防ぐ、より深く複雑なモデルに向かって進んでいる。
- 参考スコア（独自算出の注目度）: 43.9909417652678
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unmanned Aerial Vehicles (UAVs) have attracted great interest in the last few
years owing to their ability to cover large areas and access difficult and
hazardous target zones, which is not the case of traditional systems relying on
direct observations obtained from fixed cameras and sensors. Furthermore,
thanks to the advancements in computer vision and machine learning, UAVs are
being adopted for a broad range of solutions and applications. However, Deep
Neural Networks (DNNs) are progressing toward deeper and complex models that
prevent them from being executed on-board. In this paper, we propose a DNN
distribution methodology within UAVs to enable data classification in
resource-constrained devices and avoid extra delays introduced by the
server-based solutions due to data communication over air-to-ground links. The
proposed method is formulated as an optimization problem that aims to minimize
the latency between data collection and decision-making while considering the
mobility model and the resource constraints of the UAVs as part of the
air-to-air communication. We also introduce the mobility prediction to adapt
our system to the dynamics of UAVs and the network variation. The simulation
conducted to evaluate the performance and benchmark the proposed methods,
namely Optimal UAV-based Layer Distribution (OULD) and OULD with Mobility
Prediction (OULD-MP), were run in an HPC cluster. The obtained results show
that our optimization solution outperforms the existing and heuristic-based
approaches.
- Abstract（参考訳）: 無人航空機(UAV)は、大規模な地域をカバーし、困難で危険なターゲットゾーンにアクセスできることから、ここ数年で大きな関心を集めている。
さらに、コンピュータビジョンと機械学習の進歩により、UAVは幅広いソリューションやアプリケーションに採用されている。
しかし、ディープニューラルネットワーク(DNN)は、それらがオンボードで実行されるのを防ぐ、より深く複雑なモデルに向かって進んでいる。
本稿では,UAV内のDNN分散手法を提案し,資源制約されたデバイスにおけるデータ分類を可能にし,空対地リンク上のデータ通信によるサーバベースのソリューションによる追加遅延を回避する。
提案手法は,空対空通信の一環として,UAVの移動モデルと資源制約を考慮して,データ収集と意思決定の遅延を最小化する最適化問題として定式化されている。
また,我々のシステムをuavのダイナミクスやネットワークの変動に適応させるために,モビリティ予測を導入する。
提案手法であるOULD(Optimal UAV-based Layer Distribution)とOULD with Mobility Prediction(OULD-MP)をHPCクラスタで実行した。
その結果,提案手法は既存およびヒューリスティックなアプローチよりも優れていることがわかった。
関連論文リスト
- DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。
我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。
拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-11T06:31:03Z) - UAV-enabled Collaborative Beamforming via Multi-Agent Deep Reinforcement Learning [79.16150966434299]
本稿では,UAVを用いた協調ビームフォーミング多目的最適化問題 (UCBMOP) を定式化し,UAVの伝送速度を最大化し,全UAVのエネルギー消費を最小化する。
ヘテロジニアス・エージェント・信頼領域ポリシー最適化(HATRPO)を基本フレームワークとし,改良されたHATRPOアルゴリズム,すなわちHATRPO-UCBを提案する。
論文 参考訳（メタデータ） (2024-04-11T03:19:22Z) - Multi-Agent Reinforcement Learning for Offloading Cellular Communications with Cooperating UAVs [21.195346908715972]
無人航空機は、地上のBSからデータトラフィックをオフロードする代替手段を提供する。
本稿では,地上BSからデータオフロードを行うために,複数のUAVを効率的に利用するための新しい手法を提案する。
論文 参考訳（メタデータ） (2024-02-05T12:36:08Z) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳（メタデータ） (2023-08-03T02:49:50Z) - Integrated Sensing, Computation, and Communication for UAV-assisted
Federated Edge Learning [52.7230652428711]
フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。
無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
論文 参考訳（メタデータ） (2023-06-05T16:01:33Z) - Joint Optimization of Deployment and Trajectory in UAV and IRS-Assisted
IoT Data Collection System [25.32139119893323]
無人航空機(UAV)は多くのモノのインターネット(IoT)システムに適用できる。
UAV-IoT無線チャネルは、時には木や高層建築物によってブロックされることがある。
本稿では,UAVの展開と軌道を最適化することで,システムのエネルギー消費を最小化することを目的とする。
論文 参考訳（メタデータ） (2022-10-27T06:27:40Z) - Joint Cluster Head Selection and Trajectory Planning in UAV-Aided IoT
Networks by Reinforcement Learning with Sequential Model [4.273341750394231]
我々は、UAVの軌道を共同で設計し、インターネット・オブ・シングス・ネットワークでクラスタ・ヘッドを選択するという問題を定式化する。
本稿では,シーケンス・ツー・シーケンス・ニューラルネットワークで表されるポリシーを効果的に学習できるシーケンシャルモデル戦略を備えた,新しい深層強化学習(DRL)を提案する。
シミュレーションにより,提案したDRL法は,より少ないエネルギー消費を必要とするUAVの軌道を見つけることができることを示した。
論文 参考訳（メタデータ） (2021-12-01T07:59:53Z) - Efficient Real-Time Image Recognition Using Collaborative Swarm of UAVs
and Convolutional Networks [9.449650062296824]
本稿では,画像の分類を行うリソース制約付きUAV群に推論要求を分散する戦略を提案する。
画像の取得と最終的な決定の待ち時間を最小限に抑える最適化問題としてモデルを定式化する。
私たちは、利用可能なUAV間で最高のレイテンシを提供するレイヤ配置戦略を見つけるために、オンラインソリューション、すなわちDistInferenceを導入します。
論文 参考訳（メタデータ） (2021-07-09T19:47:02Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳（メタデータ） (2020-02-21T07:29:15Z)
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。