論文の概要: Adaptive Edge Offloading for Image Classification Under Rate Limit
- arxiv url: http://arxiv.org/abs/2208.00485v1
- Date: Sun, 31 Jul 2022 18:06:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-02 14:58:28.188437
- Title: Adaptive Edge Offloading for Image Classification Under Rate Limit
- Title（参考訳）: レート制限下の画像分類のための適応エッジオフロード
- Authors: Jiaming Qiu, Ruiqi Wang, Ayan Chakrabarti, Roch Guerin, Chenyang Lu
- Abstract要約: 本稿では、DQN(Deep Q-Network)に基づくポリシーを開発し、その有効性と組込みデバイスへの展開の可能性の両方を実証する。
ImageNet画像分類ベンチマークから生成された合成トレースを用いて、局所的なテストベッド上で画像分類を行うことにより、評価を行う。
- 参考スコア（独自算出の注目度）: 18.029207345709413
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper considers a setting where embedded devices are used to acquire and
classify images. Because of limited computing capacity, embedded devices rely
on a parsimonious classification model with uneven accuracy. When local
classification is deemed inaccurate, devices can decide to offload the image to
an edge server with a more accurate but resource-intensive model. Resource
constraints, e.g., network bandwidth, however, require regulating such
transmissions to avoid congestion and high latency. The paper investigates this
offloading problem when transmissions regulation is through a token bucket, a
mechanism commonly used for such purposes. The goal is to devise a lightweight,
online offloading policy that optimizes an application-specific metric (e.g.,
classification accuracy) under the constraints of the token bucket. The paper
develops a policy based on a Deep Q-Network (DQN), and demonstrates both its
efficacy and the feasibility of its deployment on embedded devices. Of note is
the fact that the policy can handle complex input patterns, including
correlation in image arrivals and classification accuracy. The evaluation is
carried out by performing image classification over a local testbed using
synthetic traces generated from the ImageNet image classification benchmark.
Implementation of this work is available at
https://github.com/qiujiaming315/edgeml-dqn.
- Abstract（参考訳）: 本稿では,組込みデバイスを用いて画像の取得と分類を行う。
計算能力が限られているため、組み込みデバイスは不均一な精度で類似の分類モデルに依存している。
局所的な分類が不正確な場合、デバイスはより正確だがリソース集約的なモデルで画像をエッジサーバにオフロードすることを決定できる。
しかし、リソースの制約、例えばネットワーク帯域幅は、混雑や高いレイテンシを避けるためにそのような送信を規制する必要がある。
本稿では,トークンバケットを通したトランスミッション規制において,このオフロード問題について検討する。
目標は、トークンバケットの制約の下でアプリケーション固有のメトリック(例えば、分類精度)を最適化する、軽量でオンラインなオフロードポリシを考案することである。
本稿では,Deep Q-Network (DQN) に基づくポリシを開発し,その有効性と組込みデバイスへの展開の可能性を示す。
注目すべきは、このポリシーが画像の到着と分類精度の相関を含む複雑な入力パターンを処理できるという事実である。
この評価は、imagenetイメージ分類ベンチマークから生成された合成トレースを用いて、ローカルテストベッド上で画像分類を行う。
この実装はhttps://github.com/qiujiaming315/edgeml-dqnで利用可能である。
関連論文リスト
- Adaptive Hierarchical Certification for Segmentation using Randomized Smoothing [87.48628403354351]
機械学習の認証は、特定の条件下では、敵対的なサンプルが特定の範囲内でモデルを回避できないことを証明している。
セグメンテーションの一般的な認証方法は、平らな粒度のクラスを使い、モデルの不確実性による高い断続率をもたらす。
本稿では,複数レベルの階層内で画素を認証し,不安定なコンポーネントに対して粗いレベルに適応的に認証を緩和する,新しい,より実用的な設定を提案する。
論文 参考訳（メタデータ） (2024-02-13T11:59:43Z) - An Explainable Model-Agnostic Algorithm for CNN-based Biometrics
Verification [55.28171619580959]
本稿では,生体認証環境下でのLIME(Local Interpretable Model-Agnostic Explanations)AI手法の適用について述べる。
論文 参考訳（メタデータ） (2023-07-25T11:51:14Z) - Cascaded Cross-Attention Networks for Data-Efficient Whole-Slide Image
Classification Using Transformers [0.11219061154635457]
全スライディングイメージングは、組織標本の高解像度画像のキャプチャとデジタル化を可能にする。
高解像度情報を効果的に活用するための候補としてトランスフォーマーアーキテクチャが提案されている。
本稿では,抽出されたパッチ数と線形にスケールするクロスアテンション機構に基づく新しいカスケード型クロスアテンションネットワーク(CCAN)を提案する。
論文 参考訳（メタデータ） (2023-05-11T16:42:24Z) - Picking Up Quantization Steps for Compressed Image Classification [41.065275887759945]
圧縮された画像に対するディープニューラルネットワークの感度を低下させるために、圧縮されたファイルに格納された使い捨てのコーディングパラメータを無視して取り出すことができると主張している。
具体的には、画像の分類を容易にするために、代表的なパラメータの1つ、量子化ステップを使用する。
提案手法は, CIFAR-10, CIFAR-100, ImageNetの分類ネットワークの性能を著しく向上させる。
論文 参考訳（メタデータ） (2023-04-21T02:56:13Z) - CADyQ: Content-Aware Dynamic Quantization for Image Super-Resolution [55.50793823060282]
本稿では,画像超解像(SR)ネットワークのための新しいコンテント・アウェア・ダイナミック量子化(CADyQ)手法を提案する。
CADyQは、入力画像のローカル内容に基づいて、局所領域と層に最適なビットを適応的に割り当てる。
パイプラインは様々なSRネットワークでテストされ、いくつかの標準ベンチマークで評価されている。
論文 参考訳（メタデータ） (2022-07-21T07:50:50Z) - ZippyPoint: Fast Interest Point Detection, Description, and Matching
through Mixed Precision Discretization [71.91942002659795]
我々は,ネットワーク量子化技術を用いて推論を高速化し,計算限定プラットフォームでの利用を可能にする。
バイナリディスクリプタを用いた効率的な量子化ネットワークZippyPointは,ネットワーク実行速度,ディスクリプタマッチング速度,3Dモデルサイズを改善する。
これらの改善は、ホモグラフィー推定、視覚的ローカライゼーション、マップフリーな視覚的再ローカライゼーションのタスクで評価されるように、小さなパフォーマンス劣化をもたらす。
論文 参考訳（メタデータ） (2022-03-07T18:59:03Z) - Global and Local Alignment Networks for Unpaired Image-to-Image
Translation [170.08142745705575]
未ペア画像から画像への変換の目的は、対象領域のスタイルを反映した出力画像を作成することである。
既存の手法では内容変化に注意が払われていないため、ソース画像からの意味情報は翻訳中の劣化に悩まされる。
我々はGLA-Net(Global and Local Alignment Networks)という新しいアプローチを導入する。
本手法は既存の手法よりもシャープでリアルな画像を効果的に生成する。
論文 参考訳（メタデータ） (2021-11-19T18:01:54Z) - Adversarial Robustness Across Representation Spaces [35.58913661509278]
逆サロバスト性は、テスト時の知覚できない摂動に対するディープニューラルネットワークの感受性に対応している。
本研究では、複数の自然表現空間に適用された摂動に同時に頑健にできるディープニューラルネットワークのトレーニング問題を考察するために、設定を拡張した。
論文 参考訳（メタデータ） (2020-12-01T19:55:58Z) - Real-Time Edge Classification: Optimal Offloading under Token Bucket
Constraints [13.583977689847433]
厳密なレイテンシ制約の下でオフロード決定を行うためのMarkov Decision Processベースのフレームワークを導入します。
また、同一アクセススイッチに接続された複数のデバイスがバースト割り当てを共有できるようにする手法を提案する。
我々は,標準イメージネット画像分類ベンチマークにおいて,このフレームワークを用いて得られたポリシーを評価し,分析する。
論文 参考訳（メタデータ） (2020-10-26T17:25:29Z) - Uncertainty Sets for Image Classifiers using Conformal Prediction [112.54626392838163]
本稿では,任意の分類器を修飾して真のラベルを含む予測集合を,90%などのユーザ指定確率で出力するアルゴリズムを提案する。
このアルゴリズムはPlatetスケーリングのようにシンプルで高速だが、すべてのモデルとデータセットに対して正式な有限サンプルカバレッジを保証する。
提案手法は,Plattスケーリング後の可逆クラスの小さなスコアを正規化することにより,より安定した予測セットを与えるために,既存の共形予測アルゴリズムを改良する。
論文 参考訳（メタデータ） (2020-09-29T17:58:04Z) - Adaptive Label Smoothing [1.3198689566654107]
本稿では,学習中の目的意識とラベルの平滑化を併用した新しい分類手法を提案する。
適応ラベルスムーシングを用いて訓練されたCNNが、予測に過信される可能性がはるかに低いことを示すために、ImageNetを用いた広範な結果を示す。
論文 参考訳（メタデータ） (2020-09-14T13:37:30Z)
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。