論文の概要: Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification

• arxiv url: http://arxiv.org/abs/2206.01748v1
• Date: Fri, 3 Jun 2022 23:55:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-07 17:39:08.103920
• Title: Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification
• Title（参考訳）: Federated Deep Learning: 自動運転車の認識: 設計と検証
• Authors: Shuai Wang, Chengyang Li, Qi Hao, Chengzhong Xu, Derrick Wing Kwan Ng, Yonina C. Eldar, and H. Vincent Poor
• Abstract要約: フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
• 参考スコア（独自算出の注目度）: 168.67190934250868
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Realizing human-like perception is a challenge in open driving scenarios due to corner cases and visual occlusions. To gather knowledge of rare and occluded instances, federated learning empowered connected autonomous vehicle (FLCAV) has been proposed, which leverages vehicular networks to establish federated deep neural networks (DNNs) from distributed data captured by vehicles and road sensors. Without the need of data aggregation, FLCAV preserves privacy while reducing communication and annotation costs compared with conventional centralized learning. However, it is challenging to determine the network resources and road sensor poses for multi-stage training with multi-modal datasets in multi-variant scenarios. This article presents networking and training frameworks for FLCAV perception. Multi-layer graph resource allocation and vehicle-road pose contrastive methods are proposed to address the network management and sensor pose problems, respectively. We also develop CarlaFLCAV, a software platform that implements the above system and methods. Experimental results confirm the superiority of the proposed techniques compared with various benchmarks.
• Abstract（参考訳）: 人間のような知覚を実現することは、コーナーケースや視覚的閉塞によるオープンな運転シナリオの課題である。 希少かつ難解なインスタンスの知識を集めるために,車両と道路センサが収集した分散データから,車両網を活用した連合型深層ニューラルネットワーク(federated deep neural network, dnns)の確立を目的とした,連合学習エンパワード・コネクテッド・自律車両(federated learning empowered connected autonomous vehicle:flcav)が提案されている。 データアグリゲーションを必要とせずに、FLCAVは従来の集中型学習と比較して通信コストとアノテーションコストを削減しながらプライバシを保存する。 しかし,マルチモーダルデータセットを用いた多段階学習では,ネットワーク資源や道路センサの活用が困難である。 本稿では、FLCAV知覚のためのネットワークおよびトレーニングフレームワークについて述べる。 ネットワーク管理とセンサポーズ問題に対処するために,多層グラフリソース割り当てと車道配置の対比手法を提案する。 また,上記のシステムと手法を実装したソフトウェアプラットフォームcarlaflcavを開発した。 実験により,提案手法の優位性について,各種ベンチマークと比較した。

関連論文リスト

• Model Partition and Resource Allocation for Split Learning in Vehicular Edge Networks [24.85135243655983]
  本稿では,これらの課題に対処する新しいU字型分割学習(U-SFL)フレームワークを提案する。 U-SFLは、生のデータとラベルの両方をVU側に置くことで、プライバシー保護を強化することができる。 通信効率を最適化するために,送信データの次元を著しく低減する意味認識型自動エンコーダ(SAE)を導入する。
  論文  参考訳（メタデータ） (2024-11-11T07:59:13Z)
• Optimizing Age of Information in Vehicular Edge Computing with Federated Graph Neural Network Multi-Agent Reinforcement Learning [44.17644657738893]
  本稿では,データ更新の鍵となる情報時代(AoI)に着目し,RSU通信資源制約下での車両のタスクオフロード問題について検討する。 本稿では,Federated Graph Neural Network Multi-Agent Reinforcement Learning (FGNN-MADRL) と名付けたグラフニューラルネットワーク(GNN)を組み合わせた分散分散学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-01T15:37:38Z)
• FedPylot: Navigating Federated Learning for Real-Time Object Detection in Internet of Vehicles [5.803236995616553]
  フェデレートラーニングは、車載ネットワークで洗練された機械学習モデルをトレーニングするための有望なソリューションである。 我々は、フェデレーションオブジェクト検出実験をシミュレートする軽量MPIベースのプロトタイプであるFedPylotを紹介する。 本研究は, 精度, 通信コスト, 推論速度に影響を及ぼし, 自動運転車が直面する課題に対するバランスのとれたアプローチを示す。
  論文  参考訳（メタデータ） (2024-06-05T20:06:59Z)
• Federated Learning for Connected and Automated Vehicles: A Survey of Existing Approaches and Challenges [8.20034065712914]
  機械学習(ML)は、コネクテッド・アンド・オートマチック・ビークル(CAV)の主要なタスクに広く使われている フェデレートラーニング(FL)は、複数の車両が協調してモデルを開発することを可能にする、分散MLアプローチである。 本稿では, FL の CAV (FL4CAV) への適用における進歩を概観する。
  論文  参考訳（メタデータ） (2023-08-21T01:21:21Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
  次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。 エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。 本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
  論文  参考訳（メタデータ） (2021-04-05T20:57:56Z)
• Federated Learning on the Road: Autonomous Controller Design for Connected and Autonomous Vehicles [109.71532364079711]
  CAV(コネクテッド・アンド・自律車両)の自律制御設計のための新しい統合学習(FL)フレームワークの提案 CAVの移動性、無線フェーディングチャネル、および不均衡で非独立で同一に分散されたデータを考慮に入れた新しい動的フェデレーション・プロキシ(DFP)アルゴリズムが提案されている。 最適制御器を用いてCAVがどの程度の速度で収束するかを同定するために,提案アルゴリズムに対して厳密な収束解析を行う。
  論文  参考訳（メタデータ） (2021-02-05T19:57:47Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)
• Federated Learning in Vehicular Networks [41.89469856322786]
  フェデレートラーニング(FL)フレームワークは、トランスミッションオーバーヘッドを減らすことを目的として、効率的なツールとして導入された。 本稿では,車載ネットワークアプリケーションにおける一元学習(CL)によるFLを用いたインテリジェント交通システムの構築について検討する。 データラベリングやモデルトレーニングといった学習の観点からも,コミュニケーションの観点からも,データレート,信頼性,送信オーバーヘッド,プライバシ,リソース管理といった面から,大きな課題を識別する。
  論文  参考訳（メタデータ） (2020-06-02T06:32:59Z)

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。