論文の概要: LiDAR-based Outdoor Crowd Management for Smart Campus on the Edge

• arxiv url: http://arxiv.org/abs/2311.18077v1
• Date: Wed, 29 Nov 2023 20:45:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 18:52:04.220947
• Title: LiDAR-based Outdoor Crowd Management for Smart Campus on the Edge
• Title（参考訳）: エッジ上のスマートキャンパスのためのLiDARによる屋外群衆管理
• Authors: Yitao Chen, Krishna Gundu, Zohair Zaidi, Ming Zhao
• Abstract要約: エッジコンピューティングを活用した屋外クラウドマネージメントを実現するために,安価な光検出・測光技術(LiDAR)を用いて検討する。 ライトポールにLiDARセンサーを配置し、キャンパスの群衆からデータを収集し、エッジアクセラレータを利用してデータをローカルに処理します。
• 参考スコア（独自算出の注目度）: 3.0996818809893254
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crowd management is crucial for a smart campus. Popular methods are camera-based. However, conventional camera-based approaches may leak users' personally identifiable features, jeopardizing user's privacy, which limits its application. In this work, we investigate using affordable light detection and ranging (LiDAR) technology to perform outdoor crowd management leveraging edge computing. Specifically, we aim to count the number of people on a walkway of a university campus. Besides privacy protection, LiDAR sensors are superior to cameras since their performance will not be compromised when the campus is not well-illuminated. We deploy LiDAR sensors on light poles to collect data from the crowd on the campus and leverage edge accelerators to process data locally. We proposed two different methodologies in this work: 1) a non-convolutional neural network (CNN)-based approach, using clustering and autoencoder, and 2) a CNN-based approach that first projects point clouds to 2D planes and then processes the projection with conventional CNNs. Our first approach relies on careful feature engineering, whereas our second approach does not require such effort. However, the CNN-based approach requires more computational power than our non-CNN-based approach. We evaluate both approaches comprehensively with our hand-labeled real-life data collected from campus. Our evaluation results show that the first method achieves an accuracy of 85.4%, whereas the second method achieves 95.8%. Our CNN-based method outperforms existing solutions significantly. We also deploy our two models on an edge accelerator, TPU, to measure the speedup, leveraging this specialized accelerator.
• Abstract（参考訳）: 群衆管理はスマートキャンパスにとって不可欠だ。 一般的な方法はカメラベースである。 しかし、従来のカメラベースのアプローチは、ユーザーの個人識別可能な機能を漏洩させ、ユーザーのプライバシーを損なう可能性がある。 本研究では、安価な光検出・測光(LiDAR)技術を用いて、エッジコンピューティングを活用した屋外群衆管理を行う。 具体的には、大学キャンパスの通路にいる人数を数えることを目的としている。 プライバシー保護の他に、LiDARセンサーはキャンパスの照明が良くないときに性能が損なわれることはないため、カメラより優れている。 ライトポールにLiDARセンサーを配置し、キャンパスの群衆からデータを収集し、エッジアクセラレータを利用してデータをローカルに処理します。 この研究で2つの異なる方法を提案しました 1)クラスタリングとオートエンコーダを用いた非畳み込みニューラルネットワーク(CNN)に基づくアプローチ 2) CNNベースのアプローチでは、まず雲を2次元平面に向け、次に従来のCNNでプロジェクションを処理する。 第1のアプローチは注意深い機能エンジニアリングに依存しますが,第2のアプローチではそのような努力は必要ありません。 しかし、CNNベースのアプローチは、我々の非CNNベースのアプローチよりも計算能力を必要とする。 キャンパスから収集した実生活データを用いて,両アプローチを総合的に評価した。 評価の結果,第1手法の精度は85.4%,第2手法は95.8%であった。 我々のCNNベースの手法は既存のソリューションを著しく上回ります。 また、エッジアクセラレーターであるTPUに2つのモデルをデプロイして、この特別なアクセラレーターを活用してスピードアップを測定します。

関連論文リスト

• FastSpiker: Enabling Fast Training for Spiking Neural Networks on Event-based Data through Learning Rate Enhancements for Autonomous Embedded Systems [5.59354286094951]
  FastSpikerは、学習率の強化を通じて、イベントベースのデータに対する高速SNNトレーニングを可能にする、新しい方法論である。 我々は、FastSpikerが最大10.5倍高速なトレーニング時間と88.39%低い二酸化炭素排出量を提供し、イベントベースの自動車データセットの最先端または同等の精度を達成することを示した。
  論文  参考訳（メタデータ） (2024-07-07T05:17:17Z)
• EON-1: A Brain-Inspired Processor for Near-Sensor Extreme Edge Online Feature Extraction [32.343120409334475]
  EON-1は脳にインスパイアされた、極端端端のオンライン特徴抽出のためのプロセッサである。 学習に要するエネルギーオーバーヘッドは1%に過ぎず,他のSoTAソリューションと比較した場合のオーバーヘッドは極端に低い。
  論文  参考訳（メタデータ） (2024-06-25T05:23:41Z)
• Active search and coverage using point-cloud reinforcement learning [50.741409008225766]
  本稿では,目的探索とカバレッジのためのエンドツーエンドの深層強化学習ソリューションを提案する。 RLの深い階層的特徴学習は有効であり、FPS(Fastthest Point sample)を用いることで点数を削減できることを示す。 また、ポイントクラウドに対するマルチヘッドの注意がエージェントの学習を高速化する上で有効であるが、同じ結果に収束することを示す。
  論文  参考訳（メタデータ） (2023-12-18T18:16:30Z)
• Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
  本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。 我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T08:53:18Z)
• Enhancing Object Detection for Autonomous Driving by Optimizing Anchor Generation and Addressing Class Imbalance [0.0]
  本研究では,より高速なR-CNNに基づく拡張型2次元物体検出器を提案する。 より高速なr-cnnに対する修正は計算コストを増加させず、他のアンカーベースの検出フレームワークを最適化するために容易に拡張できる。
  論文  参考訳（メタデータ） (2021-04-08T16:58:31Z)
• LiDAR R-CNN: An Efficient and Universal 3D Object Detector [20.17906188581305]
  自動運転の知覚システムには、LiDARベースの3D検出が欠かせません。 lidar r-cnnは,既存の3d検出器を改良できる第2段検出器である。 特に、PointPillarsの1つのバリエーションに基づいて、私たちの方法は小さなコストで新しい最先端の結果を達成できます。
  論文  参考訳（メタデータ） (2021-03-29T03:01:21Z)
• Self-Supervised Person Detection in 2D Range Data using a Calibrated Camera [83.31666463259849]
  2次元LiDARに基づく人検出器のトレーニングラベル(擬似ラベル)を自動生成する手法を提案する。 擬似ラベルで訓練または微調整された自己監視検出器が,手動アノテーションを用いて訓練された検出器を上回っていることを示した。 私達の方法は付加的な分類の努力なしで配置の間に人の探知器を改善する有効な方法です。
  論文  参考訳（メタデータ） (2020-12-16T12:10:04Z)
• Plug-and-Play Anomaly Detection with Expectation Maximization Filtering [9.642625267699488]
  群衆監視のためのプラグアンドプレイのスマートカメラは、典型的な異常検出とは異なる多くの制約がある。 本研究では,現場の物体の動作を教師なしで学習するコア異常検出ニューラルネットワークを提案する。 私たちの研究は、自律的なプラグアンドプレイ型スマートカメラを使って、群衆の異常検出にディープラーニングを使うための第一歩だと信じています。
  論文  参考訳（メタデータ） (2020-06-16T05:28:40Z)
• A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration Framework [56.57225686288006]
  モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。 従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。 プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-13T23:52:03Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)
• MACER: Attack-free and Scalable Robust Training via Maximizing Certified Radius [133.47492985863136]
  敵対的トレーニングは、堅牢なモデルを学習する最も一般的な方法の1つだが、通常は攻撃に依存し、コストがかかる。 敵の訓練を使わずに頑健なモデルを学習するMACERアルゴリズムを提案する。 すべてのタスクに対してMACERは、最先端の対人訓練アルゴリズムよりもトレーニング時間が少ない。
  論文  参考訳（メタデータ） (2020-01-08T05:08:56Z)

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。