Fugu-MT 論文翻訳(概要): Edge-based fever screening system over private 5G

論文の概要: Edge-based fever screening system over private 5G

arxiv url: http://arxiv.org/abs/2202.03917v1
Date: Tue, 8 Feb 2022 15:09:16 GMT
ステータス: 処理完了
システム内更新日: 2022-02-09 16:15:47.920052
Title: Edge-based fever screening system over private 5G
Title（参考訳）: プライベート5Gを用いたエッジ型発熱スクリーニングシステム
Authors: Murugan Sankaradas, Kunal Rao, Ravi Rajendran, Amit Redkar and Srimat Chakradhar
Abstract要約: 本稿では,エッジ機械学習技術とプライベート5Gを利用した新規な発熱スクリーニングシステムを提案する。本稿では, 深層学習に基づく画像・熱データストリームの融合・アライメント技術について述べる。当社のシステムは98.5%の精度を達成でき、集中型クラウドデプロイメントと比較して約5倍の人を処理できます。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Edge computing and 5G have made it possible to perform analytics closer to the source of data and achieve super-low latency response times, which is not possible with centralized cloud deployment. In this paper, we present a novel fever-screening system, which uses edge machine learning techniques and leverages private 5G to accurately identify and screen individuals with fever in real-time. Particularly, we present deep-learning based novel techniques for fusion and alignment of cross-spectral visual and thermal data streams at the edge. Our novel Cross-Spectral Generative Adversarial Network (CS-GAN) synthesizes visual images that have the key, representative object level features required to uniquely associate objects across visual and thermal spectrum. Two key features of CS-GAN are a novel, feature-preserving loss function that results in high-quality pairing of corresponding cross-spectral objects, and dual bottleneck residual layers with skip connections (a new, network enhancement) to not only accelerate real-time inference, but to also speed up convergence during model training at the edge. To the best of our knowledge, this is the first technique that leverages 5G networks and limited edge resources to enable real-time feature-level association of objects in visual and thermal streams (30 ms per full HD frame on an Intel Core i7-8650 4-core, 1.9GHz mobile processor). To the best of our knowledge, this is also the first system to achieve real-time operation, which has enabled fever screening of employees and guests in arenas, theme parks, airports and other critical facilities. By leveraging edge computing and 5G, our fever screening system is able to achieve 98.5% accuracy and is able to process about 5X more people when compared to a centralized cloud deployment.
Abstract（参考訳）: エッジコンピューティングと5gは、データソースに近い分析を実行し、集中型クラウドデプロイメントでは不可能である超低レイテンシ応答時間を達成することができる。本稿では、エッジ機械学習技術を用いて、プライベートな5gを利用して、発熱のある個人を正確に識別し、リアルタイムに表示する新しいフィーバースクリーニングシステムを提案する。特に,エッジにおけるクロススペクトルデータストリームと熱データストリームの融合とアライメントのための深層学習に基づく新しい手法を提案する。 CS-GAN(Cross-Spectral Generative Adversarial Network)は、視覚スペクトルと熱スペクトルを一意に関連付けるために必要な、重要な、代表的オブジェクトレベルの特徴を持つ視覚画像を合成する。 CS-GANの2つの重要な特徴は、対応するクロススペクトルオブジェクトの高品質なペアリングをもたらす新しい特徴保存損失関数と、リアルタイム推論を加速するだけでなく、エッジでのモデルトレーニング中に収束を高速化するスキップ接続(新しいネットワーク拡張)を持つ二重ボトルネック残差層である。われわれの知る限り、これは5Gネットワークと限られたエッジリソースを活用して、視覚的および熱的ストリームにおけるオブジェクトのリアルタイムな特徴レベルの関連を可能にする最初の技術である(Intel Core i7-8650 4コア、1.9GHzモバイルプロセッサ上では、フルHDフレームが30ミリ秒)。我々の知る限り、このシステムは、アリーナ、テーマパーク、空港、その他の重要な施設の従業員や客の発熱スクリーニングを可能にする、リアルタイム運用を実現する最初のシステムでもある。エッジコンピューティングと5Gを活用することで、私たちの熱スクリーニングシステムは98.5%の精度を達成でき、集中型クラウドデプロイメントと比較して約5倍の人を処理できます。

関連論文リスト

Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-29T19:02:54Z)
FLEdge: Benchmarking Federated Machine Learning Applications in Edge Computing Systems [61.335229621081346]
フェデレートラーニング(FL)は,ネットワークエッジ上での分散ディープラーニングのプライバシ強化を実現する上で,有効なテクニックとなっている。本稿では,既存のFLベンチマークを補完するFLEdgeを提案する。
論文参考訳（メタデータ） (2023-06-08T13:11:20Z)
HVS Revisited: A Comprehensive Video Quality Assessment Framework [74.86068610617345]
本稿では,5つの代表特性を持つHVSを再検討し,さらにその接続を再構築する。 The revisited HVS, a no-reference VQA framework called HVS-5M (NRVQA framework with five modulessimulated HVS with five characteristics)。 HVS-5Mは最先端のVQA法よりも優れていた。
論文参考訳（メタデータ） (2022-10-09T03:52:12Z)
Near Real-Time Distributed State Estimation via AI/ML-Empowered 5G Networks [1.1938918581443054]
エネルギー管理システムの重要な要素として状態推定関数に着目した。 i)グラフィカルモデルと信念伝播,およびi)グラフニューラルネットワークに基づく2つの強力な分散SE手法を比較した。
論文参考訳（メタデータ） (2022-07-22T14:48:10Z)
Cross-modal Learning of Graph Representations using Radar Point Cloud for Long-Range Gesture Recognition [6.9545038359818445]
長距離(1m～2m)ジェスチャー認識のための新しいアーキテクチャを提案する。私たちは、カメラポイントクラウドから60GHzのFMCWレーダポイントクラウドまで、ポイントクラウドベースのクロスラーニングアプローチを使用します。実験結果では,5つのジェスチャーに対して98.4%の総合精度と一般化能力を示す。
論文参考訳（メタデータ） (2022-03-31T14:34:36Z)
Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for 5G and Beyond [70.81551587109833]
非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
論文参考訳（メタデータ） (2022-01-13T15:20:45Z)
PhysFormer: Facial Video-based Physiological Measurement with Temporal Difference Transformer [55.936527926778695]
近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
論文参考訳（メタデータ） (2021-11-23T18:57:11Z)
Projected GANs Converge Faster [50.23237734403834]
GAN(Generative Adversarial Networks)は高品質な画像を生成するが、訓練は難しい。生成したサンプルと実際のサンプルを固定された事前訓練された特徴空間に投影することで、これらの問題に大きく取り組みます。我々の投影GANは画像品質、サンプル効率、収束速度を改善する。
論文参考訳（メタデータ） (2021-11-01T15:11:01Z)
Unsupervised Clustering of Time Series Signals using Neuromorphic Energy-Efficient Temporal Neural Networks [1.2928408516950525]
監視されていない時系列クラスタリングは、多様な産業用途で困難な問題です。時間的ニューラルネットワークに基づく非監視時系列クラスタリングに対するニューロモーフィックアプローチを提案する。
論文参考訳（メタデータ） (2021-02-18T07:47:43Z)
Conditionally Deep Hybrid Neural Networks Across Edge and Cloud [6.442928757682793]
本稿では,AIベースのフォグコンピューティングを実現するための条件付きディープハイブリッドニューラルネットワークを提案する。提案するネットワークは、量子化された層と、エッジの早期出口と、クラウド上の完全精度の層で構成される分散的に展開することができる。両層がエッジにある場合,提案した条件付きハイブリッドネットワークは,エッジでの推論の65%を処理し,計算エネルギーの5.5倍の削減を実現する。
論文参考訳（メタデータ） (2020-05-21T18:18:43Z)
Learning to Exploit Multiple Vision Modalities by Using Grafted Networks [16.562442770255032]
新しい視覚センサーは、従来の強度カメラから入手できない情報を提供する。現在の強力なディープニューラルネットワークでこれらのセンサーを使用するための障害は、大きなラベル付きトレーニングデータセットがないことである。本稿では,非伝統的な視覚入力によって駆動される新しいフロントエンドネットワークが,インテンシティフレームを処理する事前訓練されたディープネットワークのフロントエンドネットワークを置き換えるネットワークグラフ化アルゴリズム(NGA)を提案する。
論文参考訳（メタデータ） (2020-03-24T16:37:52Z)

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。