論文の概要: Improving Image-recognition Edge Caches with a Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2202.05929v1
• Date: Fri, 11 Feb 2022 23:12:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-15 17:41:54.139054
• Title: Improving Image-recognition Edge Caches with a Generative Adversarial Network
• Title（参考訳）: 生成逆ネットワークによる画像認識エッジキャッシュの改善
• Authors: Guilherme B. Souza, Roberto G. Pacheco, Rodrigo S. Couto
• Abstract要約: 画像認識は、いくつかのモバイルアプリケーションにおいて重要なタスクである。 スマートフォンはランドマーク写真を処理して位置情報を収集することができる。 デバイスに十分な計算リソースがなければ、処理タスクをクラウドインフラストラクチャにオフロードする。 私たちのソリューションはクラウドのオフロードを減らし、アプリケーションの遅延を減らします。
• 参考スコア（独自算出の注目度）: 0.17188280334580192
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image recognition is an essential task in several mobile applications. For instance, a smartphone can process a landmark photo to gather more information about its location. If the device does not have enough computational resources available, it offloads the processing task to a cloud infrastructure. Although this approach solves resource shortages, it introduces a communication delay. Image-recognition caches on the Internet's edge can mitigate this problem. These caches run on servers close to mobile devices and stores information about previously recognized images. If the server receives a request with a photo stored in its cache, it replies to the device, avoiding cloud offloading. The main challenge for this cache is to verify if the received image matches a stored one. Furthermore, for outdoor photos, it is difficult to compare them if one was taken in the daytime and the other at nighttime. In that case, the cache might wrongly infer that they refer to different places, offloading the processing to the cloud. This work shows that a well-known generative adversarial network, called ToDayGAN, can solve this problem by generating daytime images using nighttime ones. We can thus use this translation to populate a cache with synthetic photos that can help image matching. We show that our solution reduces cloud offloading and, therefore, the application's latency.
• Abstract（参考訳）: 画像認識は、いくつかのモバイルアプリケーションにおいて重要なタスクである。 例えば、スマートフォンはランドマーク写真を処理して、位置情報を収集することができる。 デバイスに十分な計算リソースがない場合、処理タスクをクラウドインフラストラクチャにオフロードする。 このアプローチはリソース不足を解消するが、通信遅延が生じる。 インターネットのエッジにある画像認識キャッシュはこの問題を軽減することができる。 これらのキャッシュはモバイルデバイスに近いサーバ上で動作し、以前に認識された画像に関する情報を格納する。 サーバがキャッシュに格納された写真でリクエストを受信すると、デバイスに応答し、クラウドのオフロードを回避する。 このキャッシュの主な課題は、受信した画像が保存された画像と一致するかどうかを検証することである。 また、屋外写真の場合、夜間に撮影されたものと夜間に撮影されたものとを比較することは困難である。 その場合、キャッシュは異なる場所を参照していると誤って推測し、処理をクラウドにオフロードする。 この研究は、ToDayGANと呼ばれるよく知られた生成的敵ネットワークが、夜間画像から昼間画像を生成することでこの問題を解決できることを示す。 したがって、この翻訳を使って、画像マッチングに役立つ合成写真のキャッシュを配置することができる。 私たちのソリューションはクラウドのオフロードを減らし、アプリケーションの遅延を減らします。

関連論文リスト

• Efficient Inference of Vision Instruction-Following Models with Elastic Cache [76.44955111634545]
  我々は,命令追従型大規模視覚言語モデルの効率的なデプロイのための新しい戦略であるElastic Cacheを紹介する。 本稿では,冗長キャッシュを具現化する重要なキャッシュマージ戦略を提案する。 命令符号化では,キャッシュの重要性を評価するために周波数を利用する。 様々なLVLMの結果は、Elastic Cacheが効率を向上するだけでなく、言語生成における既存のプルーニングメソッドよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-25T15:29:05Z)
• Hidden Web Caches Discovery [3.9272151228741716]
  本稿では,タイミング解析を用いたキャッシュ検出手法を提案する。 このアプローチはキャッシュのステータスヘッダへの依存性を排除し、あらゆるWebサーバに適用できます。
  論文  参考訳（メタデータ） (2024-07-23T08:58:06Z)
• Approximate Caching for Efficiently Serving Diffusion Models [13.426080562080102]
  本稿では,プロンプトに基づく画像生成において,そのような反復的なデノゲーションステップを削減できる近似キャッシング手法を提案する。 本稿では,キャッシュ管理を新たに導入したNirvanaについて概説する。
  論文  参考訳（メタデータ） (2023-12-07T16:55:04Z)
• Cache Me if You Can: Accelerating Diffusion Models through Block Caching [67.54820800003375]
  画像間の大規模なネットワークは、ランダムノイズから画像を反復的に洗練するために、何度も適用されなければならない。 ネットワーク内のレイヤの振る舞いを調査し,1) レイヤの出力が経時的にスムーズに変化すること,2) レイヤが異なる変更パターンを示すこと,3) ステップからステップへの変更が非常に小さいこと,などが分かる。 本稿では,各ブロックの時間経過変化に基づいて,キャッシュスケジュールを自動的に決定する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-06T00:51:38Z)
• Real-Time Image Demoireing on Mobile Devices [59.59997851375429]
  本稿では,モバイルデバイス上でのリアルタイム展開に向けた動的復号化高速化手法(DDA)を提案する。 私たちの刺激は、モアレパターンが画像全体に不均衡に分散されることが、シンプルで普遍的な事実に起因しています。 提案手法は推定時間を劇的に短縮し,モバイルデバイス上でリアルタイムな画像復調を実現する。
  論文  参考訳（メタデータ） (2023-02-04T15:42:42Z)
• Caching Contents with Varying Popularity using Restless Bandits [0.3093890460224435]
  本研究では,無線エッジ(例えば基地局)におけるコンテンツキャッシングの問題について検討し,無限水平線上で発生する割引コストを最小化する。 これらの構造的結果を用いて、問題の索引可能性を証明するとともに、割引コストを最小限に抑えるためにWhittleインデックスポリシーを使用する。
  論文  参考訳（メタデータ） (2022-10-31T16:24:45Z)
• Memory-guided Image De-raining Using Time-Lapse Data [83.12497916664904]
  降雨物に隠れた1枚の画像から、きれいで無雨な背景のシーンを復元する作業である、単一画像デライニングの課題に対処する。 本稿では,長期雨天情報をタイムラプスデータに記録する上で,メモリネットワークに基づく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） (2022-01-06T01:36:59Z)
• Fast and High-Quality Image Denoising via Malleable Convolutions [72.18723834537494]
  動的畳み込みの効率的な変種として、Malleable Convolution (MalleConv)を提案する。 以前の作品とは異なり、MalleConvは入力から空間的に変化するカーネルのより小さなセットを生成する。 また、MalleNetという造語であるMalleConvを用いて、効率的なdenoisingネットワークを構築した。
  論文  参考訳（メタデータ） (2022-01-02T18:35:20Z)
• Searching for Controllable Image Restoration Networks [57.23583915884236]
  既存の方法は各出力毎にネットワーク全体を通して別々の推論を必要とする。 本稿では,複数の画像効果を効率的に生成できるニューラルアーキテクチャ探索手法に基づく新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-12-21T10:08:18Z)

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。