論文の概要: Edge-Based Video Analytics: A Survey
- arxiv url: http://arxiv.org/abs/2303.14329v1
- Date: Sat, 25 Mar 2023 02:11:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 20:39:40.702333
- Title: Edge-Based Video Analytics: A Survey
- Title（参考訳）: エッジベースのビデオ分析:調査
- Authors: Miao Hu, Zhenxiao Luo, Amirmohammad Pasdar, Young Choon Lee, Yipeng
Zhou, and Di Wu
- Abstract要約: エッジコンピューティングは、エッジサーバを使用するほとんどのビデオデータを処理することで、この障害を克服することを目的としている。
このような分析の現実的な実現には、単純な総合的なエッジサーバの使用以上のものが必要だ。
私たちは、何が機能するのか、何が機能しないのか、なぜなのかについて、包括的で詳細なレビューを提供しています。
- 参考スコア（独自算出の注目度）: 14.651419119293069
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Edge computing has been getting a momentum with ever-increasing data at the
edge of the network. In particular, huge amounts of video data and their
real-time processing requirements have been increasingly hindering the
traditional cloud computing approach due to high bandwidth consumption and high
latency. Edge computing in essence aims to overcome this hindrance by
processing most video data making use of edge servers, such as small-scale
on-premises server clusters, server-grade computing resources at mobile base
stations and even mobile devices like smartphones and tablets; hence, the term
edge-based video analytics. However, the actual realization of such analytics
requires more than the simple, collective use of edge servers. In this paper,
we survey state-of-the-art works on edge-based video analytics with respect to
applications, architectures, techniques, resource management, security and
privacy. We provide a comprehensive and detailed review on what works, what
doesn't work and why. These findings give insights and suggestions for next
generation edge-based video analytics. We also identify open issues and
research directions.
- Abstract（参考訳）: エッジコンピューティングは、ネットワークのエッジにおけるデータの増加によって勢いを増している。
特に、大量のビデオデータとそのリアルタイム処理要件は、帯域幅の消費と高いレイテンシのために、従来のクラウドコンピューティングアプローチをますます妨げている。
エッジコンピューティングの本質は、ほとんどのビデオデータを、小規模のオンプレミスサーバクラスタ、モバイルベースステーションにおけるサーバグレードのコンピューティングリソース、さらにはスマートフォンやタブレットのようなモバイルデバイスなど、エッジサーバを使って処理することで、この障害を克服することにある。
しかし、そのような分析の実際の実現には、単純な総合的なエッジサーバの使用以上のものが必要である。
本稿では,アプリケーション,アーキテクチャ,技術,リソース管理,セキュリティ,プライバシに関して,エッジベースのビデオ分析に関する最先端技術について調査する。
私たちは、何が機能するのか、何がうまくいかなかったのか、その理由について、包括的で詳細なレビューを行っています。
これらの発見は、次世代のエッジベースのビデオ分析に洞察と提案を与える。
オープンな問題や研究の方向性も確認します。
関連論文リスト
- Semantics-Driven Cloud-Edge Collaborative Inference [1.441340412842035]
本稿では,ビデオ推論の高速化を目的としたセマンティクス駆動型クラウドエッジ協調手法を提案する。
この方法はセマンティクスの抽出と認識を分離し、エッジサーバはビデオフレームからのみ視覚的セマンティクスを抽出できる。
実験では、エンドツーエンドの推論速度(最大5倍高速)、スループット(最大9FPS)、トラフィックボリュームの大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-27T06:53:09Z) - Privacy-Preserving Graph Machine Learning from Data to Computation: A
Survey [67.7834898542701]
我々は,グラフ機械学習のプライバシ保護手法の見直しに重点を置いている。
まずプライバシ保護グラフデータを生成する方法を検討する。
次に,プライバシ保護情報を送信する方法について述べる。
論文 参考訳（メタデータ） (2023-07-10T04:30:23Z) - FLEdge: Benchmarking Federated Machine Learning Applications in Edge Computing Systems [61.335229621081346]
フェデレートラーニング(FL)は,ネットワークエッジ上での分散ディープラーニングのプライバシ強化を実現する上で,有効なテクニックとなっている。
本稿では,既存のFLベンチマークを補完するFLEdgeを提案する。
論文 参考訳（メタデータ） (2023-06-08T13:11:20Z) - Task-Oriented Communication for Edge Video Analytics [11.03999024164301]
本稿では,エッジビデオ分析のためのタスク指向通信フレームワークを提案する。
複数のデバイスが視覚センサデータを収集し、その情報機能をエッジサーバに送信して処理する。
提案手法は,映像データのタスク関連情報を効果的に符号化し,既存の手法よりも高いレート性能のトレードオフを実現する。
論文 参考訳（メタデータ） (2022-11-25T12:09:12Z) - Streaming Video Analytics On The Edge With Asynchronous Cloud Support [2.7456483236562437]
本稿では,エッジとクラウドの予測を融合させ,低レイテンシで高精度なエッジクラウド融合アルゴリズムを提案する。
ビデオのオブジェクト検出(多くのビデオ分析シナリオに適用可能)に注目し、融合したエッジクラウド予測が、エッジのみのシナリオとクラウドのみのシナリオの精度を最大50%上回ることを示す。
論文 参考訳（メタデータ） (2022-10-04T06:22:13Z) - MAPLE-Edge: A Runtime Latency Predictor for Edge Devices [80.01591186546793]
汎用ハードウェアの最先端遅延予測器であるMAPLEのエッジデバイス指向拡張であるMAPLE-Edgeを提案する。
MAPLEと比較して、MAPLE-Edgeはより小さなCPUパフォーマンスカウンタを使用して、ランタイムとターゲットデバイスプラットフォームを記述することができる。
また、共通ランタイムを共有するデバイスプール上でトレーニングを行うMAPLEとは異なり、MAPLE-Edgeは実行時に効果的に一般化できることを示す。
論文 参考訳（メタデータ） (2022-04-27T14:00:48Z) - Dense Extreme Inception Network for Edge Detection [0.0]
エッジ検出は多くのコンピュータビジョンアプリケーションの基礎となっている。
公開されているデータセットのほとんどは、エッジ検出タスクのためにキュレーションされていない。
エッジの新しいデータセットを提示する。
エッジ検出のためのDense Extreme Inception Network (DexiNed) と呼ばれる新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-12-04T05:38:50Z) - Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
クラウドとエッジ両方のAIの体系的なレビューを行います。
私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。
我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
論文 参考訳（メタデータ） (2021-11-11T05:58:23Z) - Auto-Split: A General Framework of Collaborative Edge-Cloud AI [49.750972428032355]
本稿では,Huawei Cloudのエッジクラウド共同プロトタイプであるAuto-Splitの技法と技術実践について述べる。
私たちの知る限りでは、Deep Neural Network(DNN)分割機能を提供する既存の産業製品はありません。
論文 参考訳（メタデータ） (2021-08-30T08:03:29Z) - A Survey on Deep Learning Technique for Video Segmentation [147.0767454918527]
ビデオセグメンテーションは幅広い応用において重要な役割を果たしている。
ディープラーニングベースのアプローチは、ビデオセグメンテーションに特化しており、魅力的なパフォーマンスを提供している。
論文 参考訳（メタデータ） (2021-07-02T15:51:07Z) - A Review on Edge Analytics: Issues, Challenges, Opportunities, Promises,
Future Directions, and Applications [2.599882743586164]
Edgeアナリティクスは、Edgeデバイスによって生成されたデータを分析するために、いくつかのテクニックやアルゴリズムを使用する。
現在、Edgeアナリティクスは、分析技術の実行を完全にサポートすることができない。
この記事では、Edgeアナリティクスに関する詳細な議論を提供する。
論文 参考訳（メタデータ） (2021-07-01T21:48:20Z)
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。