論文の概要: A$^2$-UAV: Application-Aware Content and Network Optimization of
Edge-Assisted UAV Systems
- arxiv url: http://arxiv.org/abs/2301.06363v1
- Date: Mon, 16 Jan 2023 11:17:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 16:07:16.247272
- Title: A$^2$-UAV: Application-Aware Content and Network Optimization of
Edge-Assisted UAV Systems
- Title（参考訳）: A$^2$-UAV:エッジ支援UAVシステムのアプリケーション対応コンテンツとネットワーク最適化
- Authors: Andrea Coletta, Flavio Giorgi, Gaia Maselli, Matteo Prata,
Domenicomichele Silvestri, Jonathan Ashdown and Francesco Restuccia
- Abstract要約: エッジで正しく実行されるタスク数を最適化する新しいA$2$-UAVフレームワークを提案する。
A$2$-TPPは、ディープニューラルネットワーク(DNN)の精度と画像圧縮の関係を考慮している。
4機のDJI Mavic Air 2 UAVによるテストベッドを用いた実世界の実験により,A$2$-TPPを広く評価した。
- 参考スコア（独自算出の注目度）: 12.847650904294033
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To perform advanced surveillance, Unmanned Aerial Vehicles (UAVs) require the
execution of edge-assisted computer vision (CV) tasks. In multi-hop UAV
networks, the successful transmission of these tasks to the edge is severely
challenged due to severe bandwidth constraints. For this reason, we propose a
novel A$^2$-UAV framework to optimize the number of correctly executed tasks at
the edge. In stark contrast with existing art, we take an application-aware
approach and formulate a novel pplication-Aware Task Planning Problem
(A$^2$-TPP) that takes into account (i) the relationship between deep neural
network (DNN) accuracy and image compression for the classes of interest based
on the available dataset, (ii) the target positions, (iii) the current
energy/position of the UAVs to optimize routing, data pre-processing and target
assignment for each UAV. We demonstrate A$^2$-TPP is NP-Hard and propose a
polynomial-time algorithm to solve it efficiently. We extensively evaluate
A$^2$-UAV through real-world experiments with a testbed composed by four DJI
Mavic Air 2 UAVs. We consider state-of-the-art image classification tasks with
four different DNN models (i.e., DenseNet, ResNet152, ResNet50 and
MobileNet-V2) and object detection tasks using YoloV4 trained on the ImageNet
dataset. Results show that A$^2$-UAV attains on average around 38% more
accomplished tasks than the state-of-the-art, with 400% more accomplished tasks
when the number of targets increases significantly. To allow full
reproducibility, we pledge to share datasets and code with the research
community.
- Abstract（参考訳）: 先進的な監視を行うには、無人航空機(UAV)はエッジアシストコンピュータビジョン(CV)タスクの実行を必要とする。
マルチホップuavネットワークでは、帯域幅の制約が厳しいため、エッジへのタスクの転送が成功した。
そこで我々は,エッジで正しく実行されるタスク数を最適化する新しいA$^2$-UAVフレームワークを提案する。
既存の技術とは対照的に,我々はアプリケーション・アウェア・アプローチを取り入れ,新たな課題計画問題(A$^2$-TPP)を定式化する。
(i)利用可能なデータセットに基づく興味のあるクラスにおけるディープニューラルネットワーク(dnn)の精度と画像圧縮の関係。
(ii)目標位置
三 それぞれのUAVのルーティング、データ前処理及び目標割り当てを最適化するための現在のUAVのエネルギー/配置
A$^2$-TPPがNP-Hardであることを示し、効率よく解く多項式時間アルゴリズムを提案する。
4機のDJI Mavic Air 2 UAVを用いた実世界の実験により,A$^2$-UAVを広く評価した。
我々は、4つの異なるDNNモデル(DenseNet、ResNet152、ResNet50、MobileNet-V2)による最先端の画像分類タスクと、ImageNetデータセットでトレーニングされたYoloV4を用いたオブジェクト検出タスクを検討する。
その結果,A$^2$-UAVは最先端のタスクよりも平均38%多く達成でき,目標数が大幅に増加すると400%のタスクが達成されることがわかった。
完全な再現性を実現するため、私たちはデータセットとコードを研究コミュニティと共有することを約束します。
関連論文リスト
- Tiny Multi-Agent DRL for Twins Migration in UAV Metaverses: A Multi-Leader Multi-Follower Stackelberg Game Approach [57.15309977293297]
無人航空機(UAV)とメタバースの相乗効果は、UAVメタバースと呼ばれる新しいパラダイムを生み出している。
本稿では,UAVメタバースにおける効率的なUTマイグレーションのためのプルーニング技術に基づく,機械学習に基づく小さなゲームフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-18T02:14:13Z) - Deep Reinforcement Learning for Task Offloading in UAV-Aided Smart Farm
Networks [3.6118662460334527]
我々は、この多目的問題を解決するために、Deep Q-Learning(DQL)アプローチを導入する。
提案手法は,UAVの残量と期限違反率に関して,同等の結果が得られることを示す。
論文 参考訳（メタデータ） (2022-09-15T15:29:57Z) - Multimodal Adaptive Distillation for Leveraging Unimodal Encoders for
Vision-Language Tasks [118.49566068398642]
視覚言語(VL)タスクのためのクロスモーダルエンコーダは、しばしば注意深く計算された視覚言語データセットで事前訓練される。
一様エンコーダは、コスト抑制の少ない単純なアノテーションで事前訓練され、数十億から数十億のスケールを達成する。
我々は,事前学習したエンコーダから多モードVLエンコーダへの有用な知識を適応的に蒸留するマルチモーダル適応蒸留(MAD)を提案する。
論文 参考訳（メタデータ） (2022-04-22T04:41:04Z) - M^2BEV: Multi-Camera Joint 3D Detection and Segmentation with Unified
Birds-Eye View Representation [145.6041893646006]
M$2$BEVは3Dオブジェクトの検出とマップのセグメンテーションを共同で行う統合フレームワークである。
M$2$BEVは、両方のタスクを統一モデルで推論し、効率を向上する。
論文 参考訳（メタデータ） (2022-04-11T13:43:25Z) - Evolutionary Multi-Objective Reinforcement Learning Based Trajectory
Control and Task Offloading in UAV-Assisted Mobile Edge Computing [8.168647937560504]
本稿では,無人航空機(UAV)を用いた移動体エッジコンピューティングシステムにおける軌道制御とタスクオフロード(TCTO)問題について検討する。
進化的多目的RL(EMORL)、多目的RLをTCTO問題に適用する。
論文 参考訳（メタデータ） (2022-02-24T11:17:30Z) - Trajectory Design for UAV-Based Internet-of-Things Data Collection: A
Deep Reinforcement Learning Approach [93.67588414950656]
本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。
本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。
シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
論文 参考訳（メタデータ） (2021-07-23T03:33:29Z) - 3D UAV Trajectory and Data Collection Optimisation via Deep
Reinforcement Learning [75.78929539923749]
無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。
UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である
本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
論文 参考訳（メタデータ） (2021-06-06T14:08:41Z) - Anti-UAV: A Large Multi-Modal Benchmark for UAV Tracking [59.06167734555191]
Unmanned Aerial Vehicle (UAV)は、商業とレクリエーションの両方に多くの応用を提供している。
我々は、UAVを追跡し、位置や軌道などの豊富な情報を提供するという課題を考察する。
300以上のビデオペアが580k以上の手動で注釈付きバウンディングボックスを含むデータセット、Anti-UAVを提案します。
論文 参考訳（メタデータ） (2021-01-21T07:00:15Z) - Towards Deep Learning Assisted Autonomous UAVs for Manipulation Tasks in
GPS-Denied Environments [10.02675366919811]
本稿では,屋外およびgps環境に大規模な3d構造物を組み立てる作業に主に焦点をあてる。
我々のフレームワークは、個々のモジュールのパフォーマンス解析を報告するために、指定されたUAV上にデプロイされる。
論文 参考訳（メタデータ） (2021-01-16T09:20:46Z) - Offloading Optimization in Edge Computing for Deep Learning Enabled
Target Tracking by Internet-of-UAVs [22.143742665920573]
無人航空機(UAV)は標的追跡などの情報提供に広く利用されている。
プレトレーニングされた畳み込みニューラルネットワーク(CNN)がUAVに展開され、キャプチャされたビデオフレームからターゲットを特定する。
この種の視覚目標追跡は、所望の高推論精度と厳格な遅延要求のため、多くの計算資源を必要とする。
これは、このようなディープラーニング(DL)タスクをモバイルエッジコンピューティング(MEC)サーバにオフロードすることを検討する動機となります。
論文 参考訳（メタデータ） (2020-08-18T16:00:36Z)
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。