論文の概要: Efficient Real-Time Image Recognition Using Collaborative Swarm of UAVs and Convolutional Networks

• arxiv url: http://arxiv.org/abs/2107.04648v1
• Date: Fri, 9 Jul 2021 19:47:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-13 15:48:53.509137
• Title: Efficient Real-Time Image Recognition Using Collaborative Swarm of UAVs and Convolutional Networks
• Title（参考訳）: UAVと畳み込みネットワークの協調群を用いた効率的なリアルタイム画像認識
• Authors: Marwan Dhuheir, Emna Baccour, Aiman Erbad, Sinan Sabeeh, Mounir Hamdi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.449650062296824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unmanned Aerial Vehicles (UAVs) have recently attracted significant attention due to their outstanding ability to be used in different sectors and serve in difficult and dangerous areas. Moreover, the advancements in computer vision and artificial intelligence have increased the use of UAVs in various applications and solutions, such as forest fires detection and borders monitoring. However, using deep neural networks (DNNs) with UAVs introduces several challenges of processing deeper networks and complex models, which restricts their on-board computation. In this work, we present a strategy aiming at distributing inference requests to a swarm of resource-constrained UAVs that classifies captured images on-board and finds the minimum decision-making latency. We formulate the model as an optimization problem that minimizes the latency between acquiring images and making the final decisions. The formulated optimization solution is an NP-hard problem. Hence it is not adequate for online resource allocation. Therefore, we introduce an online heuristic solution, namely DistInference, to find the layers placement strategy that gives the best latency among the available UAVs. The proposed approach is general enough to be used for different low decision-latency applications as well as for all CNN types organized into the pipeline of layers (e.g., VGG) or based on residual blocks (e.g., ResNet).
• Abstract（参考訳）: 無人航空機(uavs)は最近、異なる部門で使用され、困難で危険な地域で使用される能力に優れたため、大きな注目を集めている。 さらに、コンピュータビジョンと人工知能の進歩により、森林火災の検出や国境監視といった様々な用途やソリューションにおけるUAVの使用が増加した。 しかし、uavsでディープニューラルネットワーク(dnn)を使用することで、より深いネットワークや複雑なモデルを処理することの難しさが生まれ、オンボード計算が制限される。 そこで本研究では,画像の分類と意思決定遅延の最小化を目的とした,リソース制約のあるUAV群に推論要求を分散する戦略を提案する。 画像取得と最終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。 定式化最適化解はnpハード問題である。 したがって、オンラインリソース割り当てには不十分である。 そこで我々は,オンラインヒューリスティックソリューションであるdistinferenceを導入して,利用可能なuavの中で最良なレイテンシを与えるレイヤ配置戦略を提案する。 提案されたアプローチは、異なる低遅延アプリケーションや、レイヤのパイプライン(例えば、vgg)に編成されたすべてのcnnタイプ、あるいは残差ブロック(例えば、resnet)に基づいて使用するのに十分なほど一般的である。

関連論文リスト

• GNN-Empowered Effective Partial Observation MARL Method for AoI Management in Multi-UAV Network [14.857267338331708]
  本稿では,グラフニューラルネットワーク(GNN)とQMIXアルゴリズムを組み合わせたQedgixフレームワークを提案する。 シミュレーションの結果,提案アルゴリズムはユーザの平均AoI値を低減しつつ,コンバージェンス速度を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2024-08-18T02:29:10Z)
• Joint Admission Control and Resource Allocation of Virtual Network Embedding via Hierarchical Deep Reinforcement Learning [69.00997996453842]
  本稿では,仮想ネットワークの埋め込みにおいて,入出力制御と資源配分を併用して学習する深層強化学習手法を提案する。 HRL-ACRAは,受入率と長期平均収益の両面で,最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2024-06-25T07:42:30Z)
• 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)
• 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)
• Deep Reinforcement Learning for Trajectory Path Planning and Distributed Inference in Resource-Constrained UAV Swarms [6.649753747542209]
  本研究の目的は,UAVSwarmにおける分散協調推論要求と経路計画のためのモデルの設計である。 定式化問題はNPハードであるため、最適解を見つけることは極めて複雑である。 我々は、広範囲なシミュレーションを行い、その結果を、我々のモデルが競合モデルより優れていることを示す最先端の研究と比較する。
  論文  参考訳（メタデータ） (2022-12-21T17:16:42Z)
• RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
  深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。 本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-11-17T11:06:29Z)
• Optimization for Master-UAV-powered Auxiliary-Aerial-IRS-assisted IoT Networks: An Option-based Multi-agent Hierarchical Deep Reinforcement Learning Approach [56.84948632954274]
  本稿では,無人航空機(MUAV)搭載のIoT(Internet of Things)ネットワークについて検討する。 本稿では、インテリジェント反射面(IRS)を備えた充電可能な補助UAV(AUAV)を用いて、MUAVからの通信信号を強化することを提案する。 提案モデルでは,IoTネットワークの蓄積スループットを最大化するために,これらのエネルギー制限されたUAVの最適協調戦略について検討する。
  論文  参考訳（メタデータ） (2021-12-20T15:45:28Z)
• Distributed CNN Inference on Resource-Constrained UAVs for Surveillance Systems: Design and Optimization [43.9909417652678]
  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。
  論文  参考訳（メタデータ） (2021-05-23T20:19:43Z)
• EmergencyNet: Efficient Aerial Image Classification for Drone-Based Emergency Monitoring Using Atrous Convolutional Feature Fusion [8.634988828030245]
  本稿では,緊急対応・監視用uavの航空機画像の効率的な分類について述べる。 緊急対応アプリケーションのための専用空中画像データベースを導入し、既存のアプローチの比較分析を行う。 マルチレゾリューション機能を処理するために,アトラス畳み込みに基づく軽量畳み込みニューラルネットワークアーキテクチャが提案されている。
  論文  参考訳（メタデータ） (2021-04-28T20:24:10Z)
• Jamming-Resilient Path Planning for Multiple UAVs via Deep Reinforcement Learning [1.2330326247154968]
  無人航空機(UAV)は無線ネットワークの不可欠な部分であると期待されている。 本論文では,複数のセルコネクテッドUAVの衝突のない経路を探索する。 本稿では,オンライン信号対干渉+雑音比マッピングを用いたオフライン時間差学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-09T16:52:33Z)
• Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
  シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。 本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。 我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
  論文  参考訳（メタデータ） (2020-04-08T10:08:20Z)

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。