論文の概要: EdgeMA: Model Adaptation System for Real-Time Video Analytics on Edge Devices

• arxiv url: http://arxiv.org/abs/2308.08717v1
• Date: Thu, 17 Aug 2023 00:49:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 18:24:25.938600
• Title: EdgeMA: Model Adaptation System for Real-Time Video Analytics on Edge Devices
• Title（参考訳）: EdgeMA:エッジデバイス上でのリアルタイムビデオ分析のためのモデル適応システム
• Authors: Liang Wang, Nan Zhang, Xiaoyang Qu, Jianzong Wang, Jiguang Wan, Guokuan Li, Kaiyu Hu, Guilin Jiang, Jing Xiao
• Abstract要約: EdgeMAは、実世界のビデオストリームのシフトにモデルを適応させるように設計された、実用的で効率的なビデオ分析システムである。 重要度重み付けに基づくモデル適応手法を導入し,ラベル分布シフトに対応するためのモデル更新に特化して設計した。
• 参考スコア（独自算出の注目度）: 31.01270257565127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time video analytics on edge devices for changing scenes remains a difficult task. As edge devices are usually resource-constrained, edge deep neural networks (DNNs) have fewer weights and shallower architectures than general DNNs. As a result, they only perform well in limited scenarios and are sensitive to data drift. In this paper, we introduce EdgeMA, a practical and efficient video analytics system designed to adapt models to shifts in real-world video streams over time, addressing the data drift problem. EdgeMA extracts the gray level co-occurrence matrix based statistical texture feature and uses the Random Forest classifier to detect the domain shift. Moreover, we have incorporated a method of model adaptation based on importance weighting, specifically designed to update models to cope with the label distribution shift. Through rigorous evaluation of EdgeMA on a real-world dataset, our results illustrate that EdgeMA significantly improves inference accuracy.
• Abstract（参考訳）: シーンを変えるためのエッジデバイス上のリアルタイムビデオ分析は、依然として難しい課題だ。 エッジデバイスは通常、リソース制約があるため、エッジディープニューラルネットワーク(DNN)は一般的なDNNよりも重みと浅いアーキテクチャを持つ。 その結果、限られたシナリオでのみうまく機能し、データのドリフトに敏感である。 本稿では,リアルタイムビデオストリームのシフトにモデルを適応させるために設計された,実用的で効率的なビデオ分析システムであるEdgeMAを紹介し,データドリフト問題に対処する。 EdgeMAは、グレーレベル共起行列に基づく統計テクスチャ特徴を抽出し、ランダムフォレスト分類器を使用してドメインシフトを検出する。 さらに,重要度重み付けに基づくモデル適応の手法を取り入れ,ラベル分布シフトに対応するためにモデルを更新するように特別に設計した。 実世界のデータセット上でのEdgeMAの厳密な評価により,EdgeMAは推論精度を大幅に向上することが示された。

関連論文リスト

• Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
  Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。 AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。 我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
  論文  参考訳（メタデータ） (2024-06-20T10:01:22Z)
• Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
  Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。 CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
  論文  参考訳（メタデータ） (2024-02-27T08:47:19Z)
• DOMINO: Domain-invariant Hyperdimensional Classification for Multi-Sensor Time Series Data [14.434647668734184]
  ノイズの多いマルチセンサ時系列データにおける分散シフト問題に対処する新しいHDC学習フレームワークであるDOMINOを提案する。 DOMINOは最先端(SOTA)DNNベースのドメイン一般化技術よりも平均2.04%高い精度で達成し、16.34倍高速なトレーニングと2.89倍高速な推論を提供する。
  論文  参考訳（メタデータ） (2023-08-07T04:44:12Z)
• MSECNet: Accurate and Robust Normal Estimation for 3D Point Clouds by Multi-Scale Edge Conditioning [8.177876899141486]
  3次元点雲から表面の正規度を推定することは、表面の再構成やレンダリングなど、様々な用途に欠かせない。 MSECNetと呼ばれる新しい手法を提案し、エッジ検出問題として正規変分モデリングを扱い、正常変分領域の推定を改善する。
  論文  参考訳（メタデータ） (2023-08-04T10:26:59Z)
• Video Mask Transfiner for High-Quality Video Instance Segmentation [102.50936366583106]
  Video Mask Transfiner (VMT) は、高効率なビデオトランス構造により、微細な高解像度機能を利用することができる。 当社のVMTアーキテクチャに基づいて,反復的トレーニングと自己補正による自動アノテーション改善アプローチを設計する。 我々はVMTとHQ-YTVISの最新の最先端手法、Youtube-VIS、OVIS、BDD100K MOTSを比較した。
  論文  参考訳（メタデータ） (2022-07-28T11:13:37Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• Towards Unsupervised Fine-Tuning for Edge Video Analytics [1.1091582432763736]
  自動モデル特殊化による余分な計算コストを伴わずにエッジモデルの精度を向上させる手法を提案する。 その結果,本手法は,事前学習モデルの精度を平均21%向上できることがわかった。
  論文  参考訳（メタデータ） (2021-04-14T12:57:40Z)
• LevelSet R-CNN: A Deep Variational Method for Instance Segmentation [79.20048372891935]
  現在、多くのアートモデルはMask R-CNNフレームワークに基づいている。 本稿では,両世界の長所を結合したR-CNNを提案する。 我々はCOCOおよびCityscapesデータセットに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2020-07-30T17:52:18Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)

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。