論文の概要: LEAF + AIO: Edge-Assisted Energy-Aware Object Detection for Mobile Augmented Reality

• arxiv url: http://arxiv.org/abs/2205.13770v1
• Date: Fri, 27 May 2022 06:11:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-30 15:19:58.787666
• Title: LEAF + AIO: Edge-Assisted Energy-Aware Object Detection for Mobile Augmented Reality
• Title（参考訳）: LEAF + AIO:モバイル拡張現実のためのエッジ支援型エネルギー認識物体検出
• Authors: Haoxin Wang, BaekGyu Kim, Jiang Xie, Zhu Han
• Abstract要約: モバイル拡張現実(MAR)アプリケーションは非常にエネルギーを消費する。 我々は、MARデバイスが動的に構成を変更することができるエッジベースのエネルギー対応MARシステムを設計する。 提案した動的MAR構成適応は、複数のMARクライアントのフレーム当たりのエネルギー消費を最小限に抑えることができる。
• 参考スコア（独自算出の注目度）: 77.00418462388525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Today very few deep learning-based mobile augmented reality (MAR) applications are applied in mobile devices because they are significantly energy-guzzling. In this paper, we design an edge-based energy-aware MAR system that enables MAR devices to dynamically change their configurations, such as CPU frequency, computation model size, and image offloading frequency based on user preferences, camera sampling rates, and available radio resources. Our proposed dynamic MAR configuration adaptations can minimize the per frame energy consumption of multiple MAR clients without degrading their preferred MAR performance metrics, such as latency and detection accuracy. To thoroughly analyze the interactions among MAR configurations, user preferences, camera sampling rate, and energy consumption, we propose, to the best of our knowledge, the first comprehensive analytical energy model for MAR devices. Based on the proposed analytical model, we design a LEAF optimization algorithm to guide the MAR configuration adaptation and server radio resource allocation. An image offloading frequency orchestrator, coordinating with the LEAF, is developed to adaptively regulate the edge-based object detection invocations and to further improve the energy efficiency of MAR devices. Extensive evaluations are conducted to validate the performance of the proposed analytical model and algorithms.
• Abstract（参考訳）: 今日、ディープラーニングベースのモバイル拡張現実(mar)アプリケーションは、非常にエネルギーを消費するので、モバイルデバイスにはほとんど適用されていない。 本稿では,marデバイスがcpu周波数,計算モデルサイズ,画像オフロード頻度などの設定を,ユーザの好み,カメラサンプリング率,利用可能な無線リソースに基づいて動的に変更可能な,エッジベースのエネルギアウェアmarシステムを設計する。 提案した動的MAR構成適応は、遅延や検出精度などのMAR性能指標を劣化させることなく、複数のMARクライアントのフレーム当たりのエネルギー消費を最小限に抑えることができる。 mar構成、ユーザ選好、カメラサンプリング率、エネルギー消費の相互作用を徹底的に分析するため、我々はこの知識を最大限に活用するために、marデバイスのための最初の包括的な分析エネルギーモデルを提案する。 提案した解析モデルに基づいて,MAR構成適応とサーバ無線リソース割り当てを誘導するLEAF最適化アルゴリズムを設計する。 画像オフロード周波数オーケストレータは、LEAFと協調して、エッジベースのオブジェクト検出呼び出しを適応的に制御し、MARデバイスのエネルギー効率をさらに向上するために開発された。 提案する解析モデルとアルゴリズムの性能を検証するために,広範な評価を行った。

関連論文リスト

• Deep Learning Models in Speech Recognition: Measuring GPU Energy Consumption, Impact of Noise and Model Quantization for Edge Deployment [0.0]
  本研究では, NVIDIA Jetson Orin Nanoにおける各種ASRモデル推論の性能に及ぼす量子化, メモリ要求, エネルギー消費の影響について検討した。 その結果、fp32からfp16への精度変更は、異なるモデル間での音声書き起こしのエネルギー消費量を半減させ、性能劣化を最小限に抑えることができた。
  論文  参考訳（メタデータ） (2024-05-02T05:09:07Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• CARMA: Context-Aware Runtime Reconfiguration for Energy-Efficient Sensor Fusion [11.313017866190622]
  CARMA: 実行時にコンテキストを用いて計算フローを再構成するコンテキスト認識型センサ融合手法を提案する。 CARMAは、性能を損なうことなく、多感性物体検出器によって使用されるエネルギーを著しく削減する。 我々は,複数の文脈識別戦略を評価し,新しいシステム全体のエネルギーパフォーマンス共同最適化を提案し,シナリオ固有の知覚性能を評価する。
  論文  参考訳（メタデータ） (2023-06-27T19:00:07Z)
• FemtoDet: An Object Detection Baseline for Energy Versus Performance Tradeoffs [27.006082622843653]
  常にオンの監視カメラのような畳み込みニューラルネットワークの視覚応用は、エネルギー制約にとって重要である。 本稿では,2つの視点からエネルギーと性能のトレードオフに到達するための検出器を設計し,ベースラインとして機能することを目的とする。
  論文  参考訳（メタデータ） (2023-01-17T06:24:08Z)
• Support Vector Machine for Determining Euler Angles in an Inertial Navigation System [55.41644538483948]
  本稿では,機械学習(ML)法を用いたMEMSセンサを用いた慣性ナビゲーションシステムの精度向上について論じる。 提案アルゴリズムは,MEMSセンサに典型的なノイズの存在を正しく分類できることを実証した。
  論文  参考訳（メタデータ） (2022-12-07T10:01:11Z)
• Resource Allocation of Federated Learning for the Metaverse with Mobile Augmented Reality [13.954907748381743]
  モバイル拡張現実(MAR)によるメタバースアプリケーションは、デジタルデータを現実世界と混在させるために、迅速かつ正確なオブジェクト検出を必要とする。 フェデレートラーニング(FL)は、プライバシ保護の特性から興味深い分散機械学習アプローチである。 本稿では,全エネルギー消費,完了時間,モデル精度の重み付けを最小化するために最適化問題を定式化する。
  論文  参考訳（メタデータ） (2022-11-16T06:37:32Z)
• Energy and Spectrum Efficient Federated Learning via High-Precision Over-the-Air Computation [26.499025986273832]
  フェデレートラーニング(FL)は、データをローカルに保持しながら、モバイルデバイスが共同で共有予測モデルを学ぶことを可能にする。 モバイルデバイス上でFLを実際にデプロイする上で,2つの大きな研究課題がある。 FLにおける局所モデル更新のスペクトル効率向上のためのマルチビットオーバー・ザ・エアコン(M-AirComp)手法を提案する。
  論文  参考訳（メタデータ） (2022-08-15T14:47:21Z)
• FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
  本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。 3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
  論文  参考訳（メタデータ） (2022-03-24T07:26:29Z)
• Energy Drain of the Object Detection Processing Pipeline for Mobile Devices: Analysis and Implications [77.00418462388525]
  本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。 我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
  論文  参考訳（メタデータ） (2020-11-26T00:32:07Z)
• ASFD: Automatic and Scalable Face Detector [129.82350993748258]
  ASFD(Automatic and Scalable Face Detector)を提案する。 ASFDはニューラルアーキテクチャ検索技術の組み合わせと新たな損失設計に基づいている。 ASFD-D0は120FPS以上で動作し、MobilenetはVGA解像度の画像を撮影しています。
  論文  参考訳（メタデータ） (2020-03-25T06:00:47Z)

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。