論文の概要: Demo: LE3D: A Privacy-preserving Lightweight Data Drift Detection
Framework
- arxiv url: http://arxiv.org/abs/2211.01827v1
- Date: Thu, 3 Nov 2022 14:10:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 14:44:18.146394
- Title: Demo: LE3D: A Privacy-preserving Lightweight Data Drift Detection
Framework
- Title（参考訳）: デモ:le3d: プライバシーを守る軽量データドリフト検出フレームワーク
- Authors: Ioannis Mavromatis and Aftab Khan
- Abstract要約: LE3Dは、IoT(Internet of Things)センサーデプロイメントにおける新しいドリフト検出メカニズムを評価するための一般的なプラットフォームである。
我々のフレームワークは分散的に動作し、データのプライバシを保ちながら、最小限のオンライン再構成を伴う新しいセンサーに適応できる。
- 参考スコア（独自算出の注目度）: 2.03818225423524
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents LE3D; a novel data drift detection framework for
preserving data integrity and confidentiality. LE3D is a generalisable platform
for evaluating novel drift detection mechanisms within the Internet of Things
(IoT) sensor deployments. Our framework operates in a distributed manner,
preserving data privacy while still being adaptable to new sensors with minimal
online reconfiguration. Our framework currently supports multiple drift
estimators for time-series IoT data and can easily be extended to accommodate
new data types and drift detection mechanisms. This demo will illustrate the
functionality of LE3D under a real-world-like scenario.
- Abstract（参考訳）: 本稿では,データの完全性と機密性を保持するための新しいデータドリフト検出フレームワーク le3d を提案する。
LE3Dは、IoT(Internet of Things)センサーデプロイメントにおける新しいドリフト検出メカニズムを評価する一般的なプラットフォームである。
我々のフレームワークは分散的に動作し、データのプライバシを保ちながら、最小限のオンライン再構成を伴う新しいセンサーに適応できる。
我々のフレームワークは現在、時系列IoTデータのための複数のドリフト推定器をサポートしており、新しいデータタイプやドリフト検出機構に容易に対応できるように拡張できる。
このデモでは、現実世界のようなシナリオでle3dの機能を説明します。
関連論文リスト
- LS-VOS: Identifying Outliers in 3D Object Detections Using Latent Space
Virtual Outlier Synthesis [10.920640666237833]
LiDARベースの3Dオブジェクト検出器は、自動運転アプリケーションにおいて前例のないスピードと精度を達成した。
それらはしばしば、信頼度の高い予測や、実際のオブジェクトが存在しないリターン検出に偏っている。
LS-VOSは,3次元物体検出における外れ値の同定を行うフレームワークである。
論文 参考訳（メタデータ） (2023-10-02T07:44:26Z) - Multi-Modal 3D Object Detection by Box Matching [109.43430123791684]
マルチモーダル3次元検出のためのボックスマッチング(FBMNet)による新しいフュージョンネットワークを提案する。
3Dオブジェクトと2Dオブジェクトの提案を学習することで、ROI特徴を組み合わせることで、検出のための融合を効果的に行うことができる。
論文 参考訳（メタデータ） (2023-05-12T18:08:51Z) - LE3D: A Lightweight Ensemble Framework of Data Drift Detectors for
Resource-Constrained Devices [5.990153766122006]
本稿では,センサの異常検出が可能なデータドリフト推定器のアンサンブルフレームワークLE3Dを提案する。
提案されたフレームワークは、リソース制約のあるIoTデバイス上で動作可能な、軽量で教師なしの実装である。
また,本手法の有効性を示すとともに,最小限のリソースを必要としながら,検出精度の最大97%を達成できることを示す。
論文 参考訳（メタデータ） (2022-11-03T14:20:49Z) - AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。
我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
論文 参考訳（メタデータ） (2022-08-24T16:54:38Z) - Benchmarking the Robustness of LiDAR-Camera Fusion for 3D Object
Detection [58.81316192862618]
自律運転における3D知覚のための2つの重要なセンサーは、カメラとLiDARである。
これら2つのモダリティを融合させることで、3次元知覚モデルの性能を大幅に向上させることができる。
我々は、最先端の核融合法を初めてベンチマークした。
論文 参考訳（メタデータ） (2022-05-30T09:35:37Z) - A Lightweight and Detector-free 3D Single Object Tracker on Point Clouds [50.54083964183614]
生のLiDARスキャンにおける物体の点雲は、通常スパースで不完全であるため、正確な目標固有検出を行うのは簡単ではない。
DMTは、複雑な3D検出器の使用を完全に除去する3Dトラッキングネットワークである。
論文 参考訳（メタデータ） (2022-03-08T17:49:07Z) - PC-DAN: Point Cloud based Deep Affinity Network for 3D Multi-Object
Tracking (Accepted as an extended abstract in JRDB-ACT Workshop at CVPR21) [68.12101204123422]
点雲は3次元座標における空間データの密集したコンパイルである。
我々は3次元多目的追跡(MOT)のためのPointNetベースのアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-03T05:36:39Z) - Monocular Quasi-Dense 3D Object Tracking [99.51683944057191]
周囲の物体の将来の位置を予測し、自律運転などの多くのアプリケーションで観測者の行動を計画するためには、信頼性と正確な3D追跡フレームワークが不可欠である。
移動プラットフォーム上で撮影された2次元画像のシーケンスから,移動物体を時間とともに効果的に関連付け,その全3次元バウンディングボックス情報を推定するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-12T15:30:02Z)
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。