論文の概要: VegaEdge: Edge AI Confluence Anomaly Detection for Real-Time Highway IoT-Applications

• arxiv url: http://arxiv.org/abs/2311.07880v1
• Date: Tue, 14 Nov 2023 03:19:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-15 15:44:54.995387
• Title: VegaEdge: Edge AI Confluence Anomaly Detection for Real-Time Highway IoT-Applications
• Title（参考訳）: VegaEdge: リアルタイムハイウェイIoTアプリケーションのためのエッジAI合流異常検出
• Authors: Vinit Katariya, Fatema-E- Jannat, Armin Danesh Pazho, Ghazal Alinezhad Noghre, Hamed Tabkhi
• Abstract要約: 車両の異常検出は、事故防止、迅速な応答、交通流の最適化、ワークゾーンの安全など、高速道路の安全用途において重要な役割を担っている。 軌道予測のパワーを利用した車両異常検出への軽量なアプローチを提案する。 私たちは、現代のハイウェイ環境でリアルタイムのセキュリティと監視アプリケーションのために設計された、洗練されたAIコンバレンスであるVegaEdgeを紹介します。
• 参考スコア（独自算出の注目度）: 2.812395851874055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vehicle anomaly detection plays a vital role in highway safety applications such as accident prevention, rapid response, traffic flow optimization, and work zone safety. With the surge of the Internet of Things (IoT) in recent years, there has arisen a pressing demand for Artificial Intelligence (AI) based anomaly detection methods designed to meet the requirements of IoT devices. Catering to this futuristic vision, we introduce a lightweight approach to vehicle anomaly detection by utilizing the power of trajectory prediction. Our proposed design identifies vehicles deviating from expected paths, indicating highway risks from different camera-viewing angles from real-world highway datasets. On top of that, we present VegaEdge - a sophisticated AI confluence designed for real-time security and surveillance applications in modern highway settings through edge-centric IoT-embedded platforms equipped with our anomaly detection approach. Extensive testing across multiple platforms and traffic scenarios showcases the versatility and effectiveness of VegaEdge. This work also presents the Carolinas Anomaly Dataset (CAD), to bridge the existing gap in datasets tailored for highway anomalies. In real-world scenarios, our anomaly detection approach achieves an AUC-ROC of 0.94, and our proposed VegaEdge design, on an embedded IoT platform, processes 738 trajectories per second in a typical highway setting. The dataset is available at https://github.com/TeCSAR-UNCC/Carolinas_Dataset#chd-anomaly-test-set .
• Abstract（参考訳）: 車両異常検出は、事故防止、迅速な応答、交通流の最適化、ワークゾーンの安全など、高速道路の安全用途において重要な役割を果たす。 近年のIoT(Internet of Things)の急激な普及に伴い、IoTデバイスの要件を満たすように設計された人工知能(AI)ベースの異常検出手法に対する需要が高まっている。 この未来的なビジョンに則って,軌道予測の力を利用して車両の異常検出に軽量なアプローチを導入する。 提案した設計では、予測経路から逸脱した車両を特定し、現実の高速道路データセットから異なるカメラビューング角度からのハイウェイリスクを示す。 さらに私たちは,私たちの異常検出アプローチを備えたエッジ中心のIoT組み込みプラットフォームを通じて,現代的なハイウェイ設定におけるリアルタイムセキュリティと監視アプリケーション用に設計された,高度なAIコンバレンスであるVegaEdgeを紹介します。 複数のプラットフォームとトラフィックシナリオにわたる広範なテストは、vegaedgeの汎用性と有効性を示している。 この研究は、ハイウェイ異常に適したデータセットの既存のギャップを埋めるために、カロライナ異常データセット(CAD)も提示する。 実世界のシナリオでは、我々の異常検出アプローチはAUC-ROC 0.94を達成し、私たちの提案したVegaEdge設計は、組み込みIoTプラットフォーム上で、典型的なハイウェイ環境で毎秒738のトラジェクトリを処理する。 データセットはhttps://github.com/TeCSAR-UNCC/Carolinas_Dataset#chd-anomaly-test-set で公開されている。

関連論文リスト

• Real-Time Pedestrian Detection on IoT Edge Devices: A Lightweight Deep Learning Approach [1.4732811715354455]
  本研究では,AIoT(Artificial Intelligence of Things)エッジデバイス上での軽量ディープラーニングモデルの実装について検討する。 You Only Look Once (YOLO)ベースのDLモデルは、リアルタイムな歩行者検出のためにデプロイされる。 シミュレーションの結果、最適化されたYOLOモデルは、高速な推論速度147ミリ秒、フレームレート2.3フレーム/秒、精度78%でリアルタイムな歩行者検出を実現できることが示された。
  論文  参考訳（メタデータ） (2024-09-24T04:48:41Z)
• Smart City Transportation: Deep Learning Ensemble Approach for Traffic Accident Detection [0.0]
  本稿では,スマートシティ交通監視システムにおける事故検出に適した軽量ソリューションであるI3D-CONVLSTM2Dモデルアーキテクチャを提案する。 I3D-CONVLSTM2D RGB + Optical-Flow (Trainable) モデルでは, 平均精度が87%, 平均精度が87%であった。 我々の研究は、スマート都市インフラ内のエッジIoTデバイスへのリアルタイム統合を前提とした、高度な視覚ベースの事故検出システムへの道筋を照らしている。
  論文  参考訳（メタデータ） (2023-10-16T03:47:08Z)
• MSight: An Edge-Cloud Infrastructure-based Perception System for Connected Automated Vehicles [58.461077944514564]
  本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。 MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。 評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
  論文  参考訳（メタデータ） (2023-10-08T21:32:30Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Navigating Uncertainty: The Role of Short-Term Trajectory Prediction in Autonomous Vehicle Safety [3.3659635625913564]
  我々は,CARLAシミュレータを用いた短期軌道予測タスクのためのデータセットを開発した。 このデータセットは広く、複雑なシナリオとして、歩行者が道路を横断し、車両が乗り越える、と考えられています。 畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)を用いた終端から終端までの短期軌道予測モデルも開発されている。
  論文  参考訳（メタデータ） (2023-07-11T14:28:33Z)
• Real-Time Accident Detection in Traffic Surveillance Using Deep Learning [0.8808993671472349]
  本稿では,交通監視用交差点における事故検出のための新しい効率的な枠組みを提案する。 提案手法は,最先端のYOLOv4法に基づく効率的かつ高精度な物体検出を含む,3つの階層的なステップから構成される。 提案フレームワークのロバスト性は,様々な照明条件でYouTubeから収集した映像シーケンスを用いて評価する。
  論文  参考訳（メタデータ） (2022-08-12T19:07:20Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)
• Anomalous Motion Detection on Highway Using Deep Learning [14.617786106427834]
  本稿では,新しい異常検出データセットであるハイウェイ交通異常(HTA)データセットを提案する。 我々は、最先端のディープラーニング異常検出モデルを評価し、これらの手法に新しいバリエーションを提案する。
  論文  参考訳（メタデータ） (2020-06-15T05:40:11Z)
• 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)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。