論文の概要: IoT Solutions with Multi-Sensor Fusion and Signal-Image Encoding for Secure Data Transfer and Decision Making

• arxiv url: http://arxiv.org/abs/2106.01497v1
• Date: Wed, 2 Jun 2021 22:48:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-04 15:58:07.418948
• Title: IoT Solutions with Multi-Sensor Fusion and Signal-Image Encoding for Secure Data Transfer and Decision Making
• Title（参考訳）: セキュアなデータ転送と決定のためのマルチセンサフュージョンと信号画像符号化によるIoTソリューション
• Authors: Piyush K. Sharma, Mark Dennison, Adrienne Raglin
• Abstract要約: 軍では、異質なIoTデバイスがプロセスやタスクをどのように役立つかを調査している。 本稿では,IoTウェアラブルデバイスからのデータを,可逆かつ支援意思決定の可視化が容易な画像に統合(融合)するために,情報(信号)を変換するための画像符号化アプローチの信号を提案する。
• 参考スコア（独自算出の注目度）: 0.8287206589886881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deployment of Internet of Things (IoT) devices and Data Fusion techniques have gained popularity in public and government domains. This usually requires capturing and consolidating data from multiple sources. As datasets do not necessarily originate from identical sensors, fused data typically results in a complex data problem. Because military is investigating how heterogeneous IoT devices can aid processes and tasks, we investigate a multi-sensor approach. Moreover, we propose a signal to image encoding approach to transform information (signal) to integrate (fuse) data from IoT wearable devices to an image which is invertible and easier to visualize supporting decision making. Furthermore, we investigate the challenge of enabling an intelligent identification and detection operation and demonstrate the feasibility of the proposed Deep Learning and Anomaly Detection models that can support future application that utilizes hand gesture data from wearable devices.
• Abstract（参考訳）: IoT(Internet of Things)デバイスのデプロイとデータフュージョン技術は、パブリックドメインと政府ドメインで人気を集めている。 これは通常、複数のソースからデータをキャプチャして統合する必要がある。 データセットは必ずしも同じセンサー起源ではないため、融合データは通常複雑なデータ問題を引き起こす。 軍では、異質なIoTデバイスがプロセスやタスクをどのように役立つかを調査しているため、マルチセンサーアプローチを調査している。 さらに,情報(信号)を変換し,IoTウェアラブルデバイスから可逆で,意思決定支援の可視化が容易な画像にデータを統合(融合)するための画像符号化手法の信号を提案する。 さらに、インテリジェントな識別・検出操作を可能にする課題を調査し、ウェアラブルデバイスからのハンドジェスチャデータを活用した将来のアプリケーションを支援する深層学習・異常検出モデルの実現可能性を示す。

関連論文リスト

• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Joint Sensing and Task-Oriented Communications with Image and Wireless Data Modalities for Dynamic Spectrum Access [49.83882366499547]
  本稿では,マルチモーダル画像とスペクトルデータの相乗効果を利用した動的スペクトルアクセスの深層学習手法を提案する。 本稿では,送信機を搭載可能な車両などの潜在的な物体を撮影するカメラを備えたエッジデバイスについて考察する。 本稿では、エッジデバイスが、融合センターとして機能する信頼できる受信機に選択的に処理された情報を通信する協調システムを提案する。
  論文  参考訳（メタデータ） (2023-12-21T15:26:26Z)
• Prototype of deployment of Federated Learning with IoT devices [0.0]
  要求される大量のリソース、データ、データは、モバイルデバイス、センサー、その他のIoTデバイスに格納される。 同時に、これらのデバイスは優れたモデルをトレーニングするのに十分なデータや計算能力を持っていない。 フェデレートラーニング(FL)は、デバイスが協調的に学習できる革新的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-11-24T10:37:30Z)
• Ensemble Learning based Anomaly Detection for IoT Cybersecurity via Bayesian Hyperparameters Sensitivity Analysis [2.3226893628361682]
  IoT(Internet of Things)は、世界中の何十億ものインテリジェントデバイスを統合し、他の接続デバイスと通信する機能を備えている。 IoTによって収集されたデータには、異常検出のための膨大な情報が含まれている。 本稿では,異常検出によるIoTサイバーセキュリティ向上のためのアンサンブル機械学習手法について検討する。
  論文  参考訳（メタデータ） (2023-07-20T05:23:49Z)
• An Automated Data Engineering Pipeline for Anomaly Detection of IoT Sensor Data [0.0]
  チップ技術、IoT(Internet of Things)、クラウドコンピューティング、人工知能といったシステムが、現在の問題を解決する可能性を高めている。 データ分析と機械学習/ディープラーニングの使用により、基盤となるパターンを学習し、IoTセンサから生成された大量のデータから何を学んだかに基づいて決定することができる。 プロセスにはIoTセンサ、Raspberry Pi、Amazon Web Services(AWS)、スマートホームセキュリティシステムの異常なケースを特定するための複数の機械学習技術の使用が含まれる。
  論文  参考訳（メタデータ） (2021-09-28T15:57:29Z)
• Heterogeneous Noisy Short Signal Camouflage in Multi-Domain Environment Decision-Making [0.0]
  画像や音声信号に変換することで,情報(センサ信号)を隠蔽する手法を提案する。 軍事近代化に向けた最新の試みの1つとして、インテリジェントな識別・検出操作を実現する上での課題について検討する。
  論文  参考訳（メタデータ） (2021-06-02T22:59:58Z)
• Federated Learning: A Signal Processing Perspective [144.63726413692876]
  フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。 本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-03-31T15:14:39Z)
• Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision Action Recognition [131.6328804788164]
  本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。 SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
  論文  参考訳（メタデータ） (2020-09-01T03:38:31Z)
• On the Use of Interpretable Machine Learning for the Management of Data Quality [13.075880857448059]
  我々は、解釈可能な機械学習を用いて、あらゆるデータ処理アクティビティをベースとした重要な機能を提供する。 私たちの目標は、少なくとも、収集されたデータセットで重要なものとして検出される機能に対して、データ品質を確保することです。
  論文  参考訳（メタデータ） (2020-07-29T08:49:32Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• 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。