論文の概要: Smart Traffic Monitoring System using Computer Vision and Edge Computing
- arxiv url: http://arxiv.org/abs/2109.03141v1
- Date: Tue, 7 Sep 2021 15:15:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-08 14:35:43.573005
- Title: Smart Traffic Monitoring System using Computer Vision and Edge Computing
- Title（参考訳）: コンピュータビジョンとエッジコンピューティングを用いたスマート交通監視システム
- Authors: Guanxiong Liu, Hang Shi, Abbas Kiani, Abdallah Khreishah, Jo Young
Lee, Nirwan Ansari, Chengjun Liu, Mustafa Yousef
- Abstract要約: 本稿では、渋滞検知と速度検出という2つの一般的な交通監視タスクに焦点を当てた。
本稿では,クラウドレットの限られた計算能力とトラフィック管理センタに対する不安定なネットワーク条件を考慮した2層エッジコンピューティングモデルを提案する。
提案したハイブリッドエッジクラウドソリューションは,クラウドのみのソリューションとエッジのみのソリューションの両方でパフォーマンスが向上することを示す。
- 参考スコア（独自算出の注目度）: 14.679341543951558
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic management systems capture tremendous video data and leverage
advances in video processing to detect and monitor traffic incidents. The
collected data are traditionally forwarded to the traffic management center
(TMC) for in-depth analysis and may thus exacerbate the network paths to the
TMC. To alleviate such bottlenecks, we propose to utilize edge computing by
equipping edge nodes that are close to cameras with computing resources (e.g.
cloudlets). A cloudlet, with limited computing resources as compared to TMC,
provides limited video processing capabilities. In this paper, we focus on two
common traffic monitoring tasks, congestion detection, and speed detection, and
propose a two-tier edge computing based model that takes into account of both
the limited computing capability in cloudlets and the unstable network
condition to the TMC. Our solution utilizes two algorithms for each task, one
implemented at the edge and the other one at the TMC, which are designed with
the consideration of different computing resources. While the TMC provides
strong computation power, the video quality it receives depends on the
underlying network conditions. On the other hand, the edge processes very
high-quality video but with limited computing resources. Our model captures
this trade-off. We evaluate the performance of the proposed two-tier model as
well as the traffic monitoring algorithms via test-bed experiments under
different weather as well as network conditions and show that our proposed
hybrid edge-cloud solution outperforms both the cloud-only and edge-only
solutions.
- Abstract（参考訳）: 交通管理システムは、膨大なビデオデータをキャプチャし、ビデオ処理の進歩を利用してトラフィックインシデントを検出し監視する。
収集したデータは、従来は交通管理センター(TMC)に転送され、詳細な分析を行うため、TMCへのネットワークパスが悪化する可能性がある。
このようなボトルネックを軽減するため、我々は、コンピューティングリソースを持つカメラに近いエッジノードを装備することでエッジコンピューティングを活用することを提案する。
cloudlets (複数形 cloudlets)
tmcに比べてコンピューティングリソースが限られているcloudletは、ビデオ処理機能に制限がある。
本稿では,渋滞検出と速度検出という2つの一般的なトラヒック監視タスクに着目し,クラウドレットの限られたコンピューティング能力とtmcの不安定なネットワーク条件の両方を考慮した2層エッジコンピューティングモデルを提案する。
提案手法では,各タスクに対して,エッジに実装したアルゴリズムと,異なる計算資源を考慮した設計したMCCに実装したアルゴリズムの2つを利用する。
TMCは強力な計算能力を提供するが、受信する映像の質は基礎となるネットワーク条件に依存する。
一方edgeは、非常に高品質なビデオを処理するが、コンピューティングリソースは限られている。
私たちのモデルはこのトレードオフを捉えます。
提案する2層モデルと,異なる気象条件およびネットワーク条件下でのテストベッド実験によるトラヒックモニタリングアルゴリズムの性能評価を行い,提案手法がクラウドのみおよびエッジのみのソリューションよりも優れていることを示す。
関連論文リスト
- Resource Allocation for Twin Maintenance and Computing Task Processing in Digital Twin Vehicular Edge Computing Network [48.15151800771779]
車両エッジコンピューティング(VEC)は、車両の近くにVECサーバを配置することで、計算キャッシュサービスを提供する。
しかしながら、VECネットワークは、ハイカーモビリティのような課題に直面している。
本研究では,ネットワーク内のツイン処理による2種類の遅延について検討した。
論文 参考訳（メタデータ） (2024-07-10T12:08:39Z) - 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) - Edge Computing Enabled Real-Time Video Analysis via Adaptive
Spatial-Temporal Semantic Filtering [18.55091203660391]
本稿では,インテリジェント・ビジュアル・デバイスのためのエッジ・コンピューティングによるリアルタイム映像解析システムを提案する。
提案システムは,追跡支援対象検出モジュール(TAODM)と興味あるモジュールの領域(ROIM)から構成される。
TAODMは、トラッキングアルゴリズムで各ビデオフレームを局所的に処理するか、オブジェクト検出モデルにより推論されたエッジサーバにオフロードするか、オフロード決定を適応的に決定する。
論文 参考訳（メタデータ） (2024-02-29T07:42:03Z) - Learning Based Task Offloading in Digital Twin Empowered Internet of
Vehicles [22.088412340577896]
インターネット・オブ・ビークルのためのタスク・オフロード・フレームワークとしてDigital Twin (DT)を提案する。
クラウドに居住するソフトウェアエージェントとして、DT間の通信を用いて、DTは両方のグローバルネットワーク情報を得ることができる。
本稿では,アルゴリズムが最適オフロード戦略を効果的に発見できることを示すとともに,高速収束と高性能化を実現可能であることを示す。
論文 参考訳（メタデータ） (2021-12-28T08:24:56Z) - Optical-Flow-Reuse-Based Bidirectional Recurrent Network for Space-Time
Video Super-Resolution [52.899234731501075]
時空間ビデオ超解像(ST-VSR)は、与えられたビデオの空間解像度とフレームレートを同時に増加させる。
既存の手法は通常、近隣の幅広いフレームからの情報を効率的に活用する方法の難しさに悩まされる。
本稿では,隣接するフレーム間の知識を活用するために,ConvLSTMの代わりに粗大な双方向リカレントニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-10-13T15:21:30Z) - CANS: Communication Limited Camera Network Self-Configuration for
Intelligent Industrial Surveillance [8.360870648463653]
リアルタイムおよびインテリジェントなカメラネットワークによるビデオ監視には、大量のビデオデータによる計算集約的な視覚検出タスクが含まれる。
複数のビデオストリームは、エッジデバイスとカメラネットワークのリンク上で限られた通信リソースを競う。
ビデオ監視の適応型カメラネットワーク自己設定法(CANS)を提案する。
論文 参考訳（メタデータ） (2021-09-13T01:54:33Z) - Full-Duplex Strategy for Video Object Segmentation [141.43983376262815]
Full- Strategy Network (FSNet)はビデオオブジェクトセグメンテーション(VOS)のための新しいフレームワークである
我々のFSNetは、融合復号ステージの前に、クロスモーダルな機能パス(すなわち、送信と受信)を同時に実行します。
我々のFSNetは、VOSとビデオの有能なオブジェクト検出タスクの両方において、他の最先端技術よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-08-06T14:50:50Z) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳（メタデータ） (2021-06-02T07:36:27Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - Multi-Task Network Pruning and Embedded Optimization for Real-time
Deployment in ADAS [0.0]
カメラベースのディープラーニングアルゴリズムは、自動運転システムにおける認識にますます必要である。
自動車業界からの制約は、限られた計算リソースで組み込みシステムを課すことでCNNの展開に挑戦します。
商用プロトタイププラットフォーム上で,このような条件下でマルチタスクCNNネットワークを埋め込む手法を提案する。
論文 参考訳（メタデータ） (2021-01-19T19:29:38Z)
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。