論文の概要: Offloading Deep Learning Powered Vision Tasks from UAV to 5G Edge Server with Denoising

• arxiv url: http://arxiv.org/abs/2302.01991v1
• Date: Fri, 3 Feb 2023 20:33:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-07 20:50:40.031253
• Title: Offloading Deep Learning Powered Vision Tasks from UAV to 5G Edge Server with Denoising
• Title（参考訳）: ディープラーニングによる視覚タスクをUAVから5G Edgeサーバにオフロードする
• Authors: Sedat Ozer, Enes Ilhan, Mehmet Akif Ozkanoglu, Hakan Ali Cirpan
• Abstract要約: 無人航空機から遠隔サーバーに計算上重いタスクをオフロードすることは、バッテリー寿命を向上し、リソースの要求を減らすのに役立ちます。 ディープラーニングベースのコンピュータビジョンタスク(オブジェクトセグメンテーションやオブジェクト検出など)は計算的に重いアルゴリズムであり、大きなメモリと計算能力を必要とする。 多くのUAVは、そのようなアルゴリズムの(事前訓練された)オフザシェルフバージョンを使用している。そのようなパワーハングリーアルゴリズムをリモートサーバにオフロードすることで、UAVの省電力に寄与する可能性がある。
• 参考スコア（独自算出の注目度）: 7.26437825413781
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Offloading computationally heavy tasks from an unmanned aerial vehicle (UAV) to a remote server helps improve the battery life and can help reduce resource requirements. Deep learning based state-of-the-art computer vision tasks, such as object segmentation and object detection, are computationally heavy algorithms, requiring large memory and computing power. Many UAVs are using (pretrained) off-the-shelf versions of such algorithms. Offloading such power-hungry algorithms to a remote server could help UAVs save power significantly. However, deep learning based algorithms are susceptible to noise, and a wireless communication system, by its nature, introduces noise to the original signal. When the signal represents an image, noise affects the image. There has not been much work studying the effect of the noise introduced by the communication system on pretrained deep networks. In this work, we first analyze how reliable it is to offload deep learning based computer vision tasks (including both object segmentation and detection) by focusing on the effect of various parameters of a 5G wireless communication system on the transmitted image and demonstrate how the introduced noise of the used 5G wireless communication system reduces the performance of the offloaded deep learning task. Then solutions are introduced to eliminate (or reduce) the negative effect of the noise. The proposed framework starts with introducing many classical techniques as alternative solutions first, and then introduces a novel deep learning based solution to denoise the given noisy input image. The performance of various denoising algorithms on offloading both object segmentation and object detection tasks are compared. Our proposed deep transformer-based denoiser algorithm (NR-Net) yields the state-of-the-art results on reducing the negative effect of the noise in our experiments.
• Abstract（参考訳）: 無人航空機(UAV)から遠隔サーバに計算上重いタスクをオフロードすることは、バッテリー寿命の改善に役立ち、リソースの要求を減らすのに役立つ。 ディープラーニングに基づく物体分割や物体検出のような最先端のコンピュータビジョンタスクは計算的に重いアルゴリズムであり、大きなメモリと計算能力を必要とする。 多くのUAVは、そのようなアルゴリズムの既定バージョンを使っている。 このようなパワーハングリーアルゴリズムをリモートサーバにオフロードすることは、UAVの省電力に役立つだろう。 しかし、深層学習に基づくアルゴリズムはノイズの影響を受けやすく、無線通信システムは、その性質上、元の信号にノイズをもたらす。 信号が画像を表すとき、ノイズは画像に影響する。 事前訓練したディープネットワークにおける通信システムによるノイズの影響についての研究はあまり行われていない。 本稿では,まず,5g無線通信システムの各種パラメータが送信画像に与える影響に着目して,ディープラーニングベースのコンピュータビジョンタスク(オブジェクト分割と検出の両方を含む)をオフロードする信頼性を解析し,使用中の5g無線通信システムの導入ノイズが,オフロードされたディープラーニングタスクの性能をいかに低下させるかを実証する。 次に、ノイズの負の効果をなくす(または減らす)ために解を導入する。 提案するフレームワークは,まず代替手法として多くの古典的手法を導入し,次に与えられた雑音の入力画像を識別する新しいディープラーニングベースのソリューションを導入する。 オブジェクトセグメンテーションとオブジェクト検出タスクの両方をオフロードする各種デノジングアルゴリズムの性能を比較した。 提案する深層変圧器を用いたデノイザーアルゴリズム (nr-net) は, 実験におけるノイズの悪影響を低減した。

関連論文リスト

• Simple Pooling Front-ends For Efficient Audio Classification [56.59107110017436]
  入力音声特徴量における時間的冗長性を排除することは,効率的な音声分類に有効な方法である可能性が示唆された。 本稿では、単純な非パラメトリックプーリング操作を用いて冗長な情報を削減する単純なプールフロントエンド(SimPFs)のファミリーを提案する。 SimPFは、市販オーディオニューラルネットワークの浮動小数点演算数の半数以上を削減できる。
  論文  参考訳（メタデータ） (2022-10-03T14:00:41Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
  本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。 トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
  論文  参考訳（メタデータ） (2022-03-24T18:11:31Z)
• A Study of Designing Compact Audio-Visual Wake Word Spotting System Based on Iterative Fine-Tuning in Neural Network Pruning [57.28467469709369]
  視覚情報を利用した小型音声覚醒単語スポッティング(WWS)システムの設計について検討する。 繰り返し微調整方式(LTH-IF)で抽選券仮説を通したニューラルネットワークプルーニング戦略を導入する。 提案システムでは,ノイズ条件の異なる単一モード(オーディオのみ,ビデオのみ)システムに対して,大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-02-17T08:26:25Z)
• IoV Scenario: Implementation of a Bandwidth Aware Algorithm in Wireless Network Communication Mode [49.734868032441625]
  本稿では,マルチドメイン仮想ネットワーク埋め込みアルゴリズム(BA-VNE)を提案する。 このアルゴリズムは主に、ユーザが無線通信モードで多くの帯域幅を必要とする問題を対象としている。 本アルゴリズムの性能向上のために,粒子群最適化(PSO)アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2022-02-03T03:34:06Z)
• Convolutional Deep Denoising Autoencoders for Radio Astronomical Images [0.0]
  我々は、最先端の電波望遠鏡の合成画像に、畳み込み復号化オートエンコーダ(Convolutional Denoising Autoencoder)と呼ばれる機械学習技術を適用した。 我々のオートエンコーダは、器用感度の限界でかすかな物体を識別し、抽出する複雑な画像を効果的に識別することができる。
  論文  参考訳（メタデータ） (2021-10-16T17:08:30Z)
• Feeling of Presence Maximization: mmWave-Enabled Virtual Reality Meets Deep Reinforcement Learning [76.46530937296066]
  本稿では,無線モバイルユーザに対して,超信頼性でエネルギー効率のよいバーチャルリアリティ(VR)体験を提供するという課題について検討する。 モバイルユーザへの信頼性の高い超高精細ビデオフレーム配信を実現するために,コーディネートマルチポイント(CoMP)伝送技術とミリ波(mmWave)通信を利用する。
  論文  参考訳（メタデータ） (2021-06-03T08:35:10Z)
• Efficient Deep Image Denoising via Class Specific Convolution [24.103826414190216]
  画素ワイズ分類に基づく画像復調のための効率的なディープニューラルネットワークを提案する。 提案手法は性能を犠牲にすることなく計算コストを削減できる。
  論文  参考訳（メタデータ） (2021-03-02T10:28:15Z)
• Feature-Align Network and Knowledge Distillation for Efficient Denoising [4.997028216419175]
  深層学習に基づくRAW画像復調は画像復元において重要な問題である。 モバイルデバイス上での効率的なRAWデノベーションのための新しいネットワークを提案する。 MACが263倍、パラメータが最新ネットワークよりも17.6倍少ない48.28dBのPSNRを実現します。
  論文  参考訳（メタデータ） (2021-03-02T07:09:32Z)
• Object Detection based on OcSaFPN in Aerial Images with Noise [9.587619619262716]
  オクターブ畳み込みに基づく意味的注意特徴ピラミッドネットワーク(OcSaFPN)は、ノイズによる物体検出の精度を高めるために提案されている。 提案アルゴリズムは,3つのデータセットで検証し,ガウス雑音や乗法雑音による最先端検出性能を実現する。
  論文  参考訳（メタデータ） (2020-12-18T01:28:51Z)
• Robust Processing-In-Memory Neural Networks via Noise-Aware Normalization [26.270754571140735]
  PIM加速器は、しばしば物理的成分の固有のノイズに悩まされる。 雑音設定に対してロバストなニューラルネットワーク性能を実現するためのノイズ非依存手法を提案する。
  論文  参考訳（メタデータ） (2020-07-07T06:51:28Z)

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。