論文の概要: Task-Oriented Image Transmission for Scene Classification in Unmanned
Aerial Systems
- arxiv url: http://arxiv.org/abs/2112.10948v1
- Date: Tue, 21 Dec 2021 02:44:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-22 14:47:35.036335
- Title: Task-Oriented Image Transmission for Scene Classification in Unmanned
Aerial Systems
- Title(参考訳): 無人航空システムにおけるシーン分類のためのタスク指向画像伝送
- Authors: Xu Kang, Bin Song, Jie Guo, Zhijin Qin, F. Richard Yu
- Abstract要約: シーン分類作業のための新しい航空画像伝送パラダイムを提案する。
画像やチャネル条件の認識を伴うセマンティックブロック伝送のための,フロントエンドUAV上での軽量モデルを開発した。
伝送遅延と分類精度のトレードオフを達成するために、深層強化学習を用いる。
- 参考スコア(独自算出の注目度): 46.64800170644672
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The vigorous developments of Internet of Things make it possible to extend
its computing and storage capabilities to computing tasks in the aerial system
with collaboration of cloud and edge, especially for artificial intelligence
(AI) tasks based on deep learning (DL). Collecting a large amount of
image/video data, Unmanned aerial vehicles (UAVs) can only handover intelligent
analysis tasks to the back-end mobile edge computing (MEC) server due to their
limited storage and computing capabilities. How to efficiently transmit the
most correlated information for the AI model is a challenging topic. Inspired
by the task-oriented communication in recent years, we propose a new aerial
image transmission paradigm for the scene classification task. A lightweight
model is developed on the front-end UAV for semantic blocks transmission with
perception of images and channel conditions. In order to achieve the tradeoff
between transmission latency and classification accuracy, deep reinforcement
learning (DRL) is used to explore the semantic blocks which have the best
contribution to the back-end classifier under various channel conditions.
Experimental results show that the proposed method can significantly improve
classification accuracy compared to the fixed transmission strategy and
traditional content perception methods.
- Abstract(参考訳): モノのインターネット(Internet of Things)の活発な発展により、特にディープラーニング(DL)に基づく人工知能(AI)タスクにおいて、クラウドとエッジのコラボレーションによって、そのコンピューティング能力とストレージ能力を、空中システムのコンピューティングタスクにまで拡張することが可能になった。
大量の画像/ビデオデータを集めることで、無人航空機(UAV)は、限られたストレージと計算能力のため、インテリジェントな分析タスクをバックエンドのモバイルエッジコンピューティング(MEC)サーバにのみ渡すことができる。
AIモデルの最も相関性の高い情報を効率的に伝達する方法は、難しいトピックである。
近年,タスク指向コミュニケーションに触発されて,シーン分類タスクのための新しい空中画像伝送パラダイムを提案する。
画像とチャネル状態の知覚を伴うセマンティックブロック伝送のためのフロントエンドuav上で軽量モデルを開発した。
伝送遅延と分類精度のトレードオフを実現するために,様々なチャネル条件下でのバックエンド分類器に最も寄与するセマンティックブロックの探索に,深部強化学習(DRL)を用いる。
実験の結果,提案手法は,固定伝送戦略や従来のコンテンツ知覚手法と比較して,分類精度が著しく向上することがわかった。
関連論文リスト
- Adaptive Data Transport Mechanism for UAV Surveillance Missions in Lossy Environments [2.700610024690147]
無人航空機(UAV)は、情報、監視、偵察(ISR)の任務においてますます重要な役割を担っている。
本稿では、ミッション目標に大きく貢献する画像の選択領域を優先する、AIによる代替スケジューリングポリシーを提案する。
論文 参考訳(メタデータ) (2024-09-30T18:22:58Z) - Trustworthy Image Semantic Communication with GenAI: Explainablity, Controllability, and Efficiency [59.15544887307901]
画像意味コミュニケーション(ISC)は,高効率な映像コンテンツ伝送を実現する可能性に注目されている。
既存のISCシステムは、解釈可能性、操作性、互換性の課題に直面している。
我々は、複数の下流推論タスクにGenerative Artificial Intelligence(GenAI)を利用する新しい信頼できるISCフレームワークを提案する。
論文 参考訳(メタデータ) (2024-08-07T14:32:36Z) - Efficient Prompt Tuning of Large Vision-Language Model for Fine-Grained
Ship Classification [62.425462136772666]
リモートセンシング(RS-FGSC)における船のきめ細かい分類は、クラス間の高い類似性とラベル付きデータの限られた可用性のために大きな課題となる。
大規模な訓練済みビジョンランゲージモデル(VLM)の最近の進歩は、少数ショット学習やゼロショット学習において印象的な能力を示している。
本研究は, 船種別分類精度を高めるために, VLMの可能性を生かしたものである。
論文 参考訳(メタデータ) (2024-03-13T05:48:58Z) - Efficient Adaptive Human-Object Interaction Detection with
Concept-guided Memory [64.11870454160614]
概念誘導メモリ(ADA-CM)を用いた適応型HOI検出器を提案する。
ADA-CMには2つの操作モードがある。最初のモードでは、トレーニング不要のパラダイムで新しいパラメータを学習することなくチューニングできる。
提案手法は, HICO-DET と V-COCO のデータセットに対して, より少ないトレーニング時間で, 最新技術による競合的な結果を得る。
論文 参考訳(メタデータ) (2023-09-07T13:10:06Z) - Knowledge-Driven Multi-Agent Reinforcement Learning for Computation
Offloading in Cybertwin-Enabled Internet of Vehicles [24.29177900273616]
我々は,サイバトウィン対応IoVにおけるタスクオフロードの遅延を低減するために,知識駆動型マルチエージェント強化学習(KMARL)手法を提案する。
具体的には、検討されたシナリオにおいて、サイバートウィンは、各車両が情報を交換し、仮想空間におけるオフロード決定を行うための通信エージェントとして機能する。
論文 参考訳(メタデータ) (2023-08-04T09:11:37Z) - Consecutive Pretraining: A Knowledge Transfer Learning Strategy with
Relevant Unlabeled Data for Remote Sensing Domain [25.84756140221655]
自然言語処理(NLP)における事前学習を停止しないという考え方に基づいて,CSPT(ConSecutive PreTraining)を提案する。
提案したCSPTは、タスク対応モデルトレーニングのためのラベルなしデータの巨大な可能性を公開することもできる。
その結果,提案したCSPTをタスク認識モデルトレーニングに活用することにより,従来の教師付きプレトレーニング-then-fine-tuning法よりもRTDのダウンストリームタスクのほとんどを上回り得ることがわかった。
論文 参考訳(メタデータ) (2022-07-08T12:32:09Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳(メタデータ) (2022-06-03T23:55:45Z) - Multi-task Over-the-Air Federated Learning: A Non-Orthogonal
Transmission Approach [52.85647632037537]
複数の学習タスクがエッジサーバ(ES)の協調の下でデータ収集および学習モデルのためのエッジデバイスを共有するマルチタスク・オーバーテア・フェデレーション・ラーニング(MOAFL)フレームワークを提案する。
収束解析と数値計算の両方の結果から,MOAFLフレームワークは学習性能を著しく低下させることなく,複数のタスクのアップリンク帯域幅の消費を大幅に削減できることが示された。
論文 参考訳(メタデータ) (2021-06-27T13:09:32Z) - UAV Path Planning for Wireless Data Harvesting: A Deep Reinforcement
Learning Approach [18.266087952180733]
本稿では,IoT(Internet of Things)デバイスからのUAV対応データ収集に対するエンドツーエンド強化学習手法を提案する。
自律ドローンは、限られた飛行時間と障害物回避を受ける分散センサーノードからデータを収集する。
提案するネットワークアーキテクチャにより,エージェントが様々なシナリオパラメータの移動決定を行うことができることを示す。
論文 参考訳(メタデータ) (2020-07-01T15:14:16Z)
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。