Fugu-MT 論文翻訳(概要): Deep Learning on Multimodal Sensor Data at the Wireless Edge for Vehicular Network

論文の概要: Deep Learning on Multimodal Sensor Data at the Wireless Edge for Vehicular Network

arxiv url: http://arxiv.org/abs/2201.04712v1
Date: Wed, 12 Jan 2022 21:55:34 GMT
ステータス: 処理完了
システム内更新日: 2022-01-14 15:13:52.871586
Title: Deep Learning on Multimodal Sensor Data at the Wireless Edge for Vehicular Network
Title（参考訳）: ネットワーク用無線エッジにおけるマルチモーダルセンサデータの深層学習
Authors: Batool Salehi, Guillem Reus-Muns, Debashri Roy, Zifeng Wang, Tong Jian, Jennifer Dy, Stratis Ioannidis, and Kaushik Chowdhury
Abstract要約: 本稿では,LiDAR,カメラ画像,GPSなどのセンサから収集したマルチモーダルデータを活用することで,ビーム選択を高速化する手法を提案する。本研究では,モバイル・エッジ・コンピューティング・センターだけでなく,ローカルでも実行可能な個別かつ分散融合型ディープラーニング(F-DL)アーキテクチャを提案する。市販の合成および自家用実世界のデータセットに対する広範な評価の結果、古典的なRFのみのビームスイーピングよりも95%と96%のビーム選択速度が向上したことが明らかとなった。
参考スコア（独自算出の注目度）: 8.458980329342799
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Beam selection for millimeter-wave links in a vehicular scenario is a challenging problem, as an exhaustive search among all candidate beam pairs cannot be assuredly completed within short contact times. We solve this problem via a novel expediting beam selection by leveraging multimodal data collected from sensors like LiDAR, camera images, and GPS. We propose individual modality and distributed fusion-based deep learning (F-DL) architectures that can execute locally as well as at a mobile edge computing center (MEC), with a study on associated tradeoffs. We also formulate and solve an optimization problem that considers practical beam-searching, MEC processing and sensor-to-MEC data delivery latency overheads for determining the output dimensions of the above F-DL architectures. Results from extensive evaluations conducted on publicly available synthetic and home-grown real-world datasets reveal 95% and 96% improvement in beam selection speed over classical RF-only beam sweeping, respectively. F-DL also outperforms the state-of-the-art techniques by 20-22% in predicting top-10 best beam pairs.
Abstract（参考訳）: 車両シナリオにおけるミリ波リンクのビーム選択は、全ての候補ビーム対間の徹底的な探索が短時間で完了できないため、難しい問題である。我々は,LiDARやカメラ画像,GPSなどのセンサから収集したマルチモーダルデータを活用することで,ビーム選択の高速化によってこの問題を解決する。本稿では,モバイルエッジコンピューティングセンター(MEC)において,ローカルだけでなくローカルでも実行可能な,個別のモダリティと分散融合型ディープラーニング(F-DL)アーキテクチャを提案する。また,上述のf-dlアーキテクチャの出力次元を決定するために,実用的なビーム探索,mec処理,センサ対mecデータ配信遅延オーバーヘッドを考慮した最適化問題を定式化し,解決する。市販の合成データと自家製データを用いた広範な評価の結果, 従来のrfのみのビームスイーピングに比べて, ビーム選択速度が95%, 96%向上したことがわかった。 f-dlはまた、トップ10ビーム対の予測において20-22%の精度で最先端技術を上回る。

関連論文リスト

Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
論文参考訳（メタデータ） (2024-08-26T17:03:14Z)
Semi-Federated Learning: Convergence Analysis and Optimization of A Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文参考訳（メタデータ） (2023-10-04T03:32:39Z)
Multi-Modal Multi-Task (3MT) Road Segmentation [0.8287206589886879]
我々は、多くのSOTA作業で通常行われているように、代わりに生のセンサー入力を使用することに重点を置いており、高い事前処理コストを必要とするアーキテクチャを活用している。本研究では,複数センサからのデータをマルチタスク学習アーキテクチャに組み込むことにより,道路セグメンテーションの費用対効果,高精度なソリューションを提案する。
論文参考訳（メタデータ） (2023-08-23T08:15:15Z)
Camera Based mmWave Beam Prediction: Towards Multi-Candidate Real-World Scenarios [15.287380309115399]
本稿では,実環境におけるV2Iシナリオにおけるセンシング支援ビーム予測問題について広範囲に検討する。特に,視覚的および位置的データを用いて最適なビーム指標を予測することを提案する。提案手法は,大規模実世界のDeepSense 6$Gデータセットを用いて評価する。
論文参考訳（メタデータ） (2023-08-14T00:15:01Z)
Deep Learning and Image Super-Resolution-Guided Beam and Power Allocation for mmWave Networks [80.37827344656048]
我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
論文参考訳（メタデータ） (2023-05-08T05:40:54Z)
Fast Beam Alignment via Pure Exploration in Multi-armed Bandits [91.11360914335384]
我々は,ミリ波通信におけるBAレイテンシを低減するために,帯域幅に基づく高速BAアルゴリズムを開発した。我々のアルゴリズムは2相ヘテロセダスティックトラック・アンド・ストップ (2PHT&S) と呼ばれる。
論文参考訳（メタデータ） (2022-10-23T05:57:39Z)
Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文参考訳（メタデータ） (2022-09-01T03:27:33Z)
Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックであるまず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文参考訳（メタデータ） (2022-04-20T19:09:52Z)
A Novel Look at LIDAR-aided Data-driven mmWave Beam Selection [24.711393214172148]
軽量ニューラルネットワーク(NN)アーキテクチャとそれに対応するLIDARプリプロセッシングを提案する。 nnベースのビーム選択方式は、ビーム探索のオーバーヘッドなしに79.9%のスループットを達成でき、95%のスループットを6ビーム以内で探索できる。
論文参考訳（メタデータ） (2021-04-29T18:07:31Z)
Federated mmWave Beam Selection Utilizing LIDAR Data [3.7352534957395522]
We propose LIDAR aided beam selection for V2I mmWave communication system using federated training。提案手法では、コネクテッドカーが協調して、システム正常動作中に、ローカルで利用可能なLIDARデータに基づいて共有ニューラルネットワーク(NN)を訓練する。また,CNNアーキテクチャとLIDARプリプロセッシングの代替として,性能と複雑さの両面で,従来よりも大幅に優れていた,より複雑な畳み込みNN(CNN)アーキテクチャを提案する。
論文参考訳（メタデータ） (2021-02-04T18:49:20Z)
SpaceNet 6: Multi-Sensor All Weather Mapping Dataset [13.715388432549373]
オープンなMulti-Sensor All Weather Mapping (MSAW)データセットと課題について述べる。 MSAWは複数の重なり合う集合体を120 km2で覆っており、48,000以上のユニークな建物フットプリントラベルがアノテートされている。我々は,SARデータを用いた足跡抽出のためのベースラインとベンチマークを提案し,光学データに基づいて事前訓練された最先端セグメンテーションモデルを発見し,SARで訓練した。
論文参考訳（メタデータ） (2020-04-14T13:43:11Z)

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。