論文の概要: EDGAR: Embedded Detection of Gunshots by AI in Real-time

• arxiv url: http://arxiv.org/abs/2211.14073v1
• Date: Fri, 25 Nov 2022 12:51:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 18:43:28.611509
• Title: EDGAR: Embedded Detection of Gunshots by AI in Real-time
• Title（参考訳）: EDGAR:AIによる銃弾のリアルタイム検出
• Authors: Nathan Morsa
• Abstract要約: 機械学習を用いて、ショット検出とショットカウントの問題を汎用的に解決することを目的としている。 我々の知る限りでは、弱いラベルを活用できるラベル比から学習する手法を提案するのは、これが初めてである。 本手法は, 厳しいリアルタイム(100ms)の推論を継続しながら, 制約の厳しいマイクロコントローラに展開可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electronic shot counters allow armourers to perform preventive and predictive maintenance based on quantitative measurements, improving reliability, reducing the frequency of accidents, and reducing maintenance costs. To answer a market pressure for both low lead time to market and increased customisation, we aim to solve the shot detection and shot counting problem in a generic way through machine learning. In this study, we describe a method allowing one to construct a dataset with minimal labelling effort by only requiring the total number of shots fired in a time series. To our knowledge, this is the first study to propose a technique, based on learning from label proportions, that is able to exploit these weak labels to derive an instance-level classifier able to solve the counting problem and the more general discrimination problem. We also show that this technique can be deployed in heavily constrained microcontrollers while still providing hard real-time (<100ms) inference. We evaluate our technique against a state-of-the-art unsupervised algorithm and show a sizeable improvement, suggesting that the information from the weak labels is successfully leveraged. Finally, we evaluate our technique against human-generated state-of-the-art algorithms and show that it provides comparable performance and significantly outperforms them in some offline and real-world benchmarks.
• Abstract（参考訳）: 電子ショットカウンタは、定量的測定に基づく予防的および予測的メンテナンス、信頼性の向上、事故発生頻度の低減、メンテナンスコストの低減を可能にする。 市場投入までのリードタイムとカスタマイズの両面での市場プレッシャーに対処するため,機械学習を用いてショット検出とショットカウントの問題を汎用的に解決することを目指している。 本研究では,時系列で発射されるショットの総数のみを必要とすることで,最小限のラベリング労力でデータセットを構築できる手法について述べる。 本研究は,ラベル比率から学習し,これらの弱いラベルを活用して,計数問題やより一般的な識別問題を解くことができるインスタンスレベル分類器を導出できる手法を提案する最初の研究である。 また、この手法は、厳しいリアルタイム(100ms)の推論を提供しながら、制約の厳しいマイクロコントローラに展開可能であることも示している。 本手法を最先端の教師なしアルゴリズムに対して評価し,その性能向上を示すとともに,弱ラベルからの情報を効果的に活用できることを示す。 最後に,人間の生成した最先端アルゴリズムに対する手法を評価し,オフラインおよび実世界のベンチマークで同等のパフォーマンスを提供し,その性能を大幅に上回っていることを示す。

関連論文リスト

• Incremental Self-training for Semi-supervised Learning [56.57057576885672]
  ISTは単純だが有効であり、既存の自己学習に基づく半教師あり学習手法に適合する。 提案したISTを5つのデータセットと2種類のバックボーンで検証し,認識精度と学習速度を効果的に向上させる。
  論文  参考訳（メタデータ） (2024-04-14T05:02:00Z)
• A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
  本稿では,DAF(Disdisrepancy Aware Framework)を提案する。 本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。 単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
  論文  参考訳（メタデータ） (2023-10-11T15:21:40Z)
• The Adversarial Implications of Variable-Time Inference [47.44631666803983]
  本稿では,攻撃対象のMLモデルの予測を後処理するアルゴリズムの実行時間を簡単に計測する,新たなサイドチャネルを利用するアプローチを提案する。 我々は,物体検出装置の動作において重要な役割を果たす非最大抑圧(NMS)アルゴリズムからの漏れを調査する。 我々は、YOLOv3検出器に対する攻撃を実演し、タイミングリークを利用して、逆例を用いてオブジェクト検出を回避し、データセット推論を行う。
  論文  参考訳（メタデータ） (2023-09-05T11:53:17Z)
• Enhancing Adversarial Robustness in Low-Label Regime via Adaptively Weighted Regularization and Knowledge Distillation [1.675857332621569]
  ラベル付きデータが少ない半教師付き対人訓練について検討した。 提案する正則化項と知識蒸留を組み合わせた半教師付き対角訓練アルゴリズムを開発した。 提案アルゴリズムは,既存のアルゴリズムと比較して,最先端の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-08-08T05:48:38Z)
• Reinforced Labels: Multi-Agent Deep Reinforcement Learning for Point-Feature Label Placement [0.0]
  データビジュアライゼーションにおける複雑なタスクである配置のラベル付けにReinforcement Learning(RL)を導入する。 提案手法は,多エージェント深層強化学習を用いてラベル配置戦略を学習する。 提案手法により訓練された戦略は,未学習エージェントのランダムな戦略よりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-03-02T16:18:00Z)
• SoftMatch: Addressing the Quantity-Quality Trade-off in Semi-supervised Learning [101.86916775218403]
  本稿では, サンプル重み付けを統一した定式化により, 一般的な擬似ラベル法を再検討する。 トレーニング中の擬似ラベルの量と質を両立させることでトレードオフを克服するSoftMatchを提案する。 実験では、画像、テキスト、不均衡な分類など、さまざまなベンチマークで大幅に改善されている。
  論文  参考訳（メタデータ） (2023-01-26T03:53:25Z)
• An Embarrassingly Simple Approach to Semi-Supervised Few-Shot Learning [58.59343434538218]
  間接学習の観点から、ラベルなしデータの正負の擬似ラベルを正確に予測するための、単純だが非常に効果的な手法を提案する。 私たちのアプローチは、オフザシェルフ操作のみを使用することで、ほんの数行のコードで実装できます。
  論文  参考訳（メタデータ） (2022-09-28T02:11:34Z)
• Segmentation Fault: A Cheap Defense Against Adversarial Machine Learning [0.0]
  最近発表されたディープニューラルネットワーク(DNN)に対する攻撃は、重要なシステムでこの技術を使用する際のセキュリティリスクを評価する方法論とツールの重要性を強調している。 本稿では,ディープニューラルネットワーク分類器,特に畳み込みを防御する新しい手法を提案する。 私たちの防衛費は、検出精度の面では安いが、消費電力が少ないという意味では安い。
  論文  参考訳（メタデータ） (2021-08-31T04:56:58Z)
• Neuroscience-Inspired Algorithms for the Predictive Maintenance of Manufacturing Systems [0.24999074238880484]
  階層型時間記憶(HTM)を用いた予測保守のためのオンラインリアルタイム異常検出手法を提案する。 ヒトの新皮質に触発されて、htmは継続的に学習し、適応し、雑音に頑健である。 このアプローチは平均スコア64.71に達し、最先端のディープラーニング(49.38)と統計的手法(61.06)を上回っている。
  論文  参考訳（メタデータ） (2021-02-23T01:31:09Z)
• Detection of Adversarial Supports in Few-shot Classifiers Using Feature Preserving Autoencoders and Self-Similarity [89.26308254637702]
  敵対的なサポートセットを強調するための検出戦略を提案する。 我々は,特徴保存型オートエンコーダフィルタリングと,この検出を行うサポートセットの自己相似性の概念を利用する。 提案手法は攻撃非依存であり, 最善の知識まで, 数発分類器の検出を探索する最初の方法である。
  論文  参考訳（メタデータ） (2020-12-09T14:13:41Z)

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。