論文の概要: Energy-efficient and Privacy-aware Social Distance Monitoring with
Low-resolution Infrared Sensors and Adaptive Inference
- arxiv url: http://arxiv.org/abs/2204.10539v1
- Date: Fri, 22 Apr 2022 07:07:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-25 14:26:09.103762
- Title: Energy-efficient and Privacy-aware Social Distance Monitoring with
Low-resolution Infrared Sensors and Adaptive Inference
- Title(参考訳): 低分解能赤外線センサと適応推論を用いたエネルギー効率とプライバシーを考慮した社会距離モニタリング
- Authors: Chen Xie, Daniele Jahier Pagliari, Andrea Calimera
- Abstract要約: 低分解能赤外線センサを利用して、屋内空間におけるプライバシー保護社会距離監視ソリューションを実装できる。
簡単な起動トリガと8ビット量子化畳み込みニューラルネットワーク(CNN)のカスケードで構成されるエネルギー効率の良い適応型推論ソリューションを提案する。
8x8の低分解能赤外線センサの出力を処理すると、静的CNNベースのアプローチでエネルギー消費量を37~57%削減できることを示す。
- 参考スコア(独自算出の注目度): 4.158182639870093
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Low-resolution infrared (IR) Sensors combined with machine learning (ML) can
be leveraged to implement privacy-preserving social distance monitoring
solutions in indoor spaces. However, the need of executing these applications
on Internet of Things (IoT) edge nodes makes energy consumption critical. In
this work, we propose an energy-efficient adaptive inference solution
consisting of the cascade of a simple wake-up trigger and a 8-bit quantized
Convolutional Neural Network (CNN), which is only invoked for
difficult-to-classify frames. Deploying such adaptive system on a IoT
Microcontroller, we show that, when processing the output of a 8x8
low-resolution IR sensor, we are able to reduce the energy consumption by
37-57% with respect to a static CNN-based approach, with an accuracy drop of
less than 2% (83% balanced accuracy).
- Abstract(参考訳): 低解像度赤外線センサと機械学習(ML)を組み合わせることで、屋内空間におけるプライバシー保護型ソーシャル距離監視ソリューションを実現することができる。
しかし、IoT(Internet of Things)エッジノード上でこれらのアプリケーションを実行する必要性は、エネルギー消費を重要視している。
本研究では、単純な起動トリガのカスケードと、8ビット量子化畳み込みニューラルネットワーク(CNN)からなるエネルギー効率のよい適応型推論ソリューションを提案する。
このような適応システムをIoTマイクロコントローラに展開することにより、8x8の低分解能IRセンサの出力を処理する場合、静的CNNベースのアプローチに対してエネルギー消費量を37~57%削減でき、精度は2%未満(バランスの取れた精度は83%)であることを示す。
関連論文リスト
- HW-SW Optimization of DNNs for Privacy-preserving People Counting on
Low-resolution Infrared Arrays [9.806742394395322]
低分解能赤外線(IR)アレイセンサは、空間や人の流れの占有をモニターするなどのアプリケーションを数えることができる。
ディープニューラルネットワーク(DNN)は、これらのセンサデータを正確かつ効率的な方法で処理するのに適していることが示されている。
本稿では、ニューラルネットワーク探索、混合精度量子化、後処理といったDNNのための高度に自動化されたフルスタック最適化フローを提案する。
論文 参考訳(メタデータ) (2024-02-02T08:45:38Z) - LitE-SNN: Designing Lightweight and Efficient Spiking Neural Network
through Spatial-Temporal Compressive Network Search and Joint Optimization [51.9395471326897]
スパイキングニューラルネットワーク(SNN)は人間の脳の情報処理機構を模倣し、エネルギー効率が高い。
本稿では,空間圧縮と時間圧縮の両方を自動ネットワーク設計プロセスに組み込むLitESNNという新しいアプローチを提案する。
論文 参考訳(メタデータ) (2024-01-26T05:23:11Z) - Enhancing Lightweight Neural Networks for Small Object Detection in IoT
Applications [1.6932009464531739]
そこで本研究では,既存の物体検出装置上で使用可能な適応型タイリング手法を提案する。
実験の結果,提案手法はF1スコアを最大225%向上し,平均オブジェクト数誤差を最大76%削減できることがわかった。
論文 参考訳(メタデータ) (2023-11-13T08:58:34Z) - Speck: A Smart event-based Vision Sensor with a low latency 327K Neuron
Convolutional Neuronal Network Processing Pipeline [0.0]
チップを用いたスマートビジョンセンサシステム(Soc)
イベントベースのカメラと低消費電力の非同期スパイク Convolutional Neuronal Network (SCNN) コンピューティングアーキテクチャが1つのチップに埋め込まれている。
低遅延ビジュアル処理パイプラインは、少ないエネルギー予算とセンサーコストで小さなフォームファクタにデプロイされる。
論文 参考訳(メタデータ) (2023-04-13T19:28:57Z) - Fast Exploration of the Impact of Precision Reduction on Spiking Neural
Networks [63.614519238823206]
ターゲットハードウェアがコンピューティングの端に達すると、スパイキングニューラルネットワーク(SNN)が実用的な選択となる。
我々は、近似誤差を伝播するそのようなモデルの能力を生かした探索手法を開発するために、インターヴァル算術(IA)モデルを用いる。
論文 参考訳(メタデータ) (2022-11-22T15:08:05Z) - Privacy-preserving Social Distance Monitoring on Microcontrollers with
Low-Resolution Infrared Sensors and CNNs [10.80166668204102]
低解像度赤外線アレイセンサーは、光学カメラやスマートフォン/ウェアラブルに代わり、低コスト、低消費電力、プライバシー保護を提供する。
小型畳み込みニューラルネットワーク(CNN)を用いた8x8 IRアレイセンサの生出力を精度良く検出できることを実証した。
我々は,最も優れたCNNが86.3%のバランスの取れた精度を達成し,最先端の決定論的アルゴリズムによって達成された61%を著しく上回っていることを示す。
論文 参考訳(メタデータ) (2022-04-22T07:17:45Z) - FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。
この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。
分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
論文 参考訳(メタデータ) (2022-01-18T13:59:22Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳(メタデータ) (2022-01-09T09:31:50Z) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳(メタデータ) (2021-06-02T07:36:27Z) - Robustifying the Deployment of tinyML Models for Autonomous
mini-vehicles [61.27933385742613]
本稿では,ループ内環境を含む自動運転ミニ車両を対象とした閉ループ学習フローを提案する。
我々は、小型CNNのファミリーを利用してミニ車両を制御し、コンピュータビジョンアルゴリズム、すなわち専門家を模倣してターゲット環境で学習する。
CNNのファミリを実行する場合、我々のソリューションはSTM32L4とk64f(Cortex-M4)の他の実装よりも優れており、レイテンシを13倍以上削減し、エネルギー消費を92%削減する。
論文 参考訳(メタデータ) (2020-07-01T07:54:26Z) - Convolutional-Recurrent Neural Networks on Low-Power Wearable Platforms
for Cardiac Arrhythmia Detection [0.18459705687628122]
マイクロコントローラと低消費電力プロセッサで動作するニューラルネットワークの推論に焦点を当てる。
心不整脈を検出・分類するために既存の畳み込みリカレントニューラルネットワークを適用した。
メモリフットプリントは195.6KB、スループットは33.98MOps/sである。
論文 参考訳(メタデータ) (2020-01-08T10:35:48Z)
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。