論文の概要: Optimization of IoT-Enabled Physical Location Monitoring Using DT and VAR

• arxiv url: http://arxiv.org/abs/2204.04664v1
• Date: Sun, 10 Apr 2022 11:39:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-14 09:12:53.069067
• Title: Optimization of IoT-Enabled Physical Location Monitoring Using DT and VAR
• Title（参考訳）: DTとVARを用いたIoT対応物理位置モニタリングの最適化
• Authors: Ajitkumar Sureshrao Shitole, Manoj Himmatrao Devare
• Abstract要約: この研究は、決定木(DT)とランダム森林が、センサデータを用いて人を予測するために、合理的に類似したマクロ平均f1スコアを与えることを明らかにした。 DTは、83.99%、88.92%、そして80.97%の精度でタイムスタンプを使用している人を予測するために、3つの異なる物理的位置のクラウドデータセットに対して最も信頼性の高い予測モデルである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study shows an enhancement of IoT that gets sensor data and performs real-time face recognition to screen physical areas to find strange situations and send an alarm mail to the client to make remedial moves to avoid any potential misfortune in the environment. Sensor data is pushed onto the local system and GoDaddy Cloud whenever the camera detects a person to optimize the physical location monitoring system by reducing the bandwidth requirement and storage cost onto the cloud using edge computation. The study reveals that decision tree (DT) and random forest give reasonably similar macro average f1-scores to predict a person using sensor data. Experimental results show that DT is the most reliable predictive model for the cloud datasets of three different physical locations to predict a person using timestamp with an accuracy of 83.99%, 88.92%, and 80.97%. This study also explains multivariate time series prediction using vector auto regression that gives reasonably good root mean squared error to predict temperature, humidity, light-dependent resistor, and gas time series.
• Abstract（参考訳）: 本研究は、センサデータを取得し、物理的領域をリアルタイムに顔認識して奇妙な状況を見つけ、クライアントにアラームメールを送り、環境の潜在的な不運を避けるための修正行動を行うIoTの強化を示す。 センサデータをローカルシステムとGoDaddy Cloudにプッシュすると、カメラが物理的位置監視システムを最適化するために人を検出すると、エッジ計算を使用してクラウドに帯域幅とストレージコストを削減できる。 この研究は、決定木(DT)とランダム森林が、センサデータを用いて人を予測するために、合理的に類似したマクロ平均f1スコアを与えることを明らかにした。 実験の結果、DTは3つの物理的位置のクラウドデータセットの最も信頼性の高い予測モデルであり、83.99%、88.92%、そして80.97%の精度でタイムスタンプを使用する人を予測している。 本研究は,温度,湿度,光依存抵抗,ガス時系列の予測に適度な根平均二乗誤差を与えるベクトル自己回帰を用いた多変量時系列予測についても述べる。

関連論文リスト

• From Data to Insights: A Covariate Analysis of the IARPA BRIAR Dataset for Multimodal Biometric Recognition Algorithms at Altitude and Range [13.42292577384284]
  本稿では,IARPA BRIARデータセットにおける全身バイオメトリックス性能の融合に着目し,UAVプラットフォーム,高度位置,最大1000mに焦点をあてる。 データセットには、屋内画像や制御された歩行記録と比較して、屋外ビデオが含まれている。
  論文  参考訳（メタデータ） (2024-09-03T00:58:50Z)
• Is That Rain? Understanding Effects on Visual Odometry Performance for Autonomous UAVs and Efficient DNN-based Rain Classification at the Edge [1.8936798735951972]
  最先端のローカルトラッキングと軌道計画は通常、飛行制御アルゴリズムにカメラセンサーを入力して実行される。 最先端のビジュアル・オドメトリーシステムでは, 1.5mの最悪ケース平均追跡誤差が可能であることを示す。 我々は、モバイルおよび制約されたデプロイメントシナリオに適したディープニューラルネットワークモデルのセットをトレーニングし、これらの雨の条件を効率的に正確に分類できる範囲を判断する。
  論文  参考訳（メタデータ） (2024-07-17T15:47:25Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Spatially-resolved hyperlocal weather prediction and anomaly detection using IoT sensor networks and machine learning techniques [0.0]
  我々は,IoTセンサネットワークと機械学習技術を用いた局部気象予測と異常検出を組み合わせた新しいアプローチを提案する。 本システムは,予測の空間分解能を高め,リアルタイムに異常を効果的に検出することができる。 以上の結果から,本システムは意思決定を促進できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-10-17T05:04:53Z)
• Leveraging the Edge and Cloud for V2X-Based Real-Time Object Detection in Autonomous Driving [0.0]
  環境認識は自動運転の重要な要素である。 本稿では,自動運転車のリアルタイム認識における検出品質と遅延の最良のトレードオフについて検討する。 我々は,局所的な検出性能を向上しつつ,適切な圧縮を伴うモデルをクラウド上でリアルタイムに実行可能であることを示す。
  論文  参考訳（メタデータ） (2023-08-09T21:39:10Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• An IoT-Based Framework for Remote Fall Monitoring [2.511917198008258]
  本稿では,クラウドに接続されたゲートウェイデバイスを介してモバイルアプリケーションにデータを送信するセンサデバイスを含む,転倒検出のための新しいIoTベースのシステムを提案する。 その結果,転倒決定に有効な特徴として,連続ウェーブレット変換(CWT)の重要性が強調された。 すべてのパフォーマンス指標(精度、リコール、精度、特異性、F1スコア)に対して、達成された結果は、小さなデータセットに対して95%以上である。
  論文  参考訳（メタデータ） (2021-03-10T22:37:19Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。