論文の概要: Efficient and robust Sensor Placement in Complex Environments
- arxiv url: http://arxiv.org/abs/2309.08545v1
- Date: Fri, 15 Sep 2023 17:10:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-18 13:42:09.593812
- Title: Efficient and robust Sensor Placement in Complex Environments
- Title(参考訳): 複雑な環境における効率的かつロバストなセンサ配置
- Authors: Lukas Taus, Yen-Hsi Richard Tsai
- Abstract要約: 本稿では,複雑な環境下での効率的な監視やコミュニケーションの課題に対処する。
目的を達成するための欲求的アルゴリズムを提案する。
深層学習技術は目的関数の評価を加速するために用いられる。
- 参考スコア(独自算出の注目度): 1.1421942894219899
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address the problem of efficient and unobstructed surveillance or
communication in complex environments. On one hand, one wishes to use a minimal
number of sensors to cover the environment. On the other hand, it is often
important to consider solutions that are robust against sensor failure or
adversarial attacks. This paper addresses these challenges of designing minimal
sensor sets that achieve multi-coverage constraints -- every point in the
environment is covered by a prescribed number of sensors. We propose a greedy
algorithm to achieve the objective. Further, we explore deep learning
techniques to accelerate the evaluation of the objective function formulated in
the greedy algorithm. The training of the neural network reveals that the
geometric properties of the data significantly impact the network's
performance, particularly at the end stage. By taking into account these
properties, we discuss the differences in using greedy and $\epsilon$-greedy
algorithms to generate data and their impact on the robustness of the network.
- Abstract(参考訳): 複雑な環境における効率的な監視やコミュニケーションの課題に対処する。
一方、環境をカバーするために最小限のセンサーを使用したいと考えている。
一方、センサ障害や敵攻撃に対して堅牢なソリューションを考えることは、しばしば重要である。
本稿は、マルチカバー制約を達成する最小限のセンサーセットを設計する上でのこれらの課題に対処する。
目的を達成するための欲望アルゴリズムを提案する。
さらに,本アルゴリズムで定式化した目的関数の評価を高速化する深層学習手法について検討する。
ニューラルネットワークのトレーニングは、データの幾何学的性質がネットワークのパフォーマンス、特に最終段階で大きな影響を与えていることを示している。
これらの特性を考慮に入れ,データ生成のためのgreedyと$\epsilon$-greedyアルゴリズムの違いと,ネットワークの堅牢性への影響について考察する。
関連論文リスト
- SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳(メタデータ) (2024-03-08T16:14:54Z) - Sensor Placement for Learning in Flow Networks [6.680930089714339]
本稿では,ネットワークのセンサ配置問題について検討する。
まず, 流れの保存仮定に基づいて問題を定式化し, 最適に固定されたセンサを配置することがNPハードであることを示す。
次に,大規模ネットワークにスケールするセンサ配置のための効率よく適応的なグリージーを提案する。
論文 参考訳(メタデータ) (2023-12-12T01:08:08Z) - Know Thy Neighbors: A Graph Based Approach for Effective Sensor-Based
Human Activity Recognition in Smart Homes [0.0]
スマートホームにおけるヒューマンアクティビティ認識(HAR)のためのグラフ誘導ニューラルネットワーク手法を提案する。
スマートホームにおけるセンサネットワークを表す,より表現力のあるグラフ構造を学習することで,これを実現する。
本手法は,アテンション機構の適用により,個別の入力センサ計測を特徴空間にマッピングする。
論文 参考訳(メタデータ) (2023-11-16T02:43:13Z) - Efficient Sensor Placement from Regression with Sparse Gaussian
Processes in Continuous and Discrete Spaces [4.40560654491339]
センサ配置問題は、相関現象を監視する際に発生する一般的な問題である。
センサ配置問題とスパースプロセス(SGP)の新たな接続を明らかにする。
提案手法は,従来の最先端手法と同等以上のセンサ配置を常に生成する。
論文 参考訳(メタデータ) (2023-02-28T19:10:12Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳(メタデータ) (2022-11-18T17:25:14Z) - R(Det)^2: Randomized Decision Routing for Object Detection [64.48369663018376]
本稿では,決定木とディープニューラルネットワークをエンドツーエンドの学習方法で組み合わせたオブジェクト検出手法を提案する。
効率的な学習を容易にするために,ノード選択型および連想型損失を伴うランダム化決定経路を提案する。
このアプローチをオブジェクト検出のためのランダム化決定ルーティングとして、R(Det)$2$と略す。
論文 参考訳(メタデータ) (2022-04-02T07:54:58Z) - Bayesian Imitation Learning for End-to-End Mobile Manipulation [80.47771322489422]
RGB + 深度カメラのような追加のセンサー入力によるポリシーの強化は、ロボットの知覚能力を改善するための簡単なアプローチである。
畳み込みニューラルネットワークを正規化するために変分情報ボトルネックを用いることで、保持領域への一般化が向上することを示す。
提案手法は, シミュレーションと現実のギャップを埋めることと, RGBと奥行き変調をうまく融合できることを実証する。
論文 参考訳(メタデータ) (2022-02-15T17:38:30Z) - 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) - On the Role of Sensor Fusion for Object Detection in Future Vehicular
Networks [25.838878314196375]
異なるセンサの組み合わせが車両の移動・運転環境の検出にどのように影響するかを評価します。
最終的な目標は、チャネルに分散するデータの量を最小限に抑える最適な設定を特定することです。
論文 参考訳(メタデータ) (2021-04-23T18:58:37Z) - GEM: Glare or Gloom, I Can Still See You -- End-to-End Multimodal Object
Detector [11.161639542268015]
厳しい照明条件下での2次元物体検出のためのセンサ対応マルチモーダル融合戦略を提案する。
本ネットワークは,各センサモダリティの測定信頼性をスカラーウェイトとマスクの形で推定する。
提案手法はFLIR-Thermalデータセット上で既存の最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-02-24T14:56:37Z) - Information Obfuscation of Graph Neural Networks [96.8421624921384]
本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。
本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-28T17:55:04Z)
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。