論文の概要: Enabling robust sensor network design with data processing and
optimization making use of local beehive image and video files
- arxiv url: http://arxiv.org/abs/2402.16655v1
- Date: Mon, 26 Feb 2024 15:27:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 20:21:18.009427
- Title: Enabling robust sensor network design with data processing and
optimization making use of local beehive image and video files
- Title（参考訳）: 局所的なビーフ画像と映像ファイルを用いたデータ処理と最適化によるロバストなセンサネットワーク設計の実現
- Authors: Ephrance Eunice Namugenyi (1), David Tugume (2), Augustine Kigwana
(3), Benjamin Rukundo (4) ((1) Department of Computer Networks, CoCIS,
Makerere University, Uganda AdEMNEA Project)
- Abstract要約: 最先端のエッジコンピューティング技術を使ってデータ転送とストレージを最適化する革命的なパラダイムです。
提案手法は,画像とビデオのデータ圧縮と数値データに対するデータ集約技術を組み合わせたものである。
このアプローチの重要な側面は、リソース制約のある環境での運用を可能にすることです。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is an immediate need for creative ways to improve resource ef iciency
given the dynamic nature of robust sensor networks and their increasing
reliance on data-driven approaches.One key challenge faced is ef iciently
managing large data files collected from sensor networks for example optimal
beehive image and video data files. We of er a revolutionary paradigm that uses
cutting-edge edge computing techniques to optimize data transmission and
storage in order to meet this problem. Our approach encompasses data
compression for images and videos, coupled with a data aggregation technique
for numerical data. Specifically, we propose a novel compression algorithm that
performs better than the traditional Bzip2, in terms of data compression ratio
and throughput. We also designed as an addition a data aggregation algorithm
that basically performs very well by reducing on the time to process the
overhead of individual data packets there by reducing on the network traf ic. A
key aspect of our approach is its ability to operate in resource-constrained
environments, such as that typically found in a local beehive farm application
from where we obtained various datasets. To achieve this, we carefully explore
key parameters such as throughput, delay tolerance, compression rate, and data
retransmission. This ensures that our approach can meet the unique requirements
of robust network management while minimizing the impact on resources. Overall,
our study presents and majorly focuses on a holistic solution for optimizing
data transmission and processing across robust sensor networks for specifically
local beehive image and video data files. Our approach has the potential to
significantly improve the ef iciency and ef ectiveness of robust sensor network
management, thereby supporting sustainable practices in various IoT
applications such as in Bee Hive Data Management.
- Abstract（参考訳）: 堅牢なセンサネットワークのダイナミックな性質と、データ駆動アプローチへの依存度が高まることを考えると、リソース効率を改善するための創造的な方法がすぐに必要であり、大きな課題のひとつは、例えば最適なビーヒーブ画像やビデオデータファイルなど、センサネットワークから収集された大きなデータファイルを管理することである。
われわれは最先端のエッジコンピューティング技術を用いてデータ転送とストレージを最適化し、この問題に対処する革新的なパラダイムを編み出した。
提案手法は,画像とビデオのデータ圧縮と数値データに対するデータ集約技術を組み合わせたものである。
具体的には,データ圧縮率とスループットの観点から,従来のbzip2よりも優れた性能を持つ新しい圧縮アルゴリズムを提案する。
また,ネットワークトラフicを小さくすることで,個々のデータパケットのオーバヘッドを処理する時間を削減することで,基本的に非常によく動作するデータアグリゲーションアルゴリズムも設計した。
私たちのアプローチの重要な側面は、さまざまなデータセットを得たローカルの養蜂農場アプリケーションに見られるような、リソースに制約された環境での運用を可能にすることです。
これを実現するために,スループットや遅延耐性,圧縮速度,データ再送信といった重要なパラメータを慎重に検討する。
これにより、リソースへの影響を最小限に抑えながら、堅牢なネットワーク管理のユニークな要件を満たすことが可能になります。
全体として,本研究は,ロバストなセンサネットワーク間のデータ伝送と処理を最適化し,特に局所的なビーフ画像と映像データファイルに最適化するための総合的なソリューションを提示し,注目する。
我々のアプローチは、堅牢なセンサネットワーク管理の効率性と効率性を大幅に改善する可能性があり、Bee Hive Data Managementのような様々なIoTアプリケーションにおける持続可能なプラクティスをサポートする。
関連論文リスト
- Computationally and Memory-Efficient Robust Predictive Analytics Using Big Data [0.0]
本研究では、データ不確実性、ストレージ制限、ビッグデータを用いた予測データ駆動モデリングの課題をナビゲートする。
本稿では,ロバスト主成分分析(RPCA)を有効ノイズ低減と外乱除去に利用し,最適センサ配置(OSP)を効率的なデータ圧縮・記憶に活用する。
論文 参考訳（メタデータ） (2024-03-27T22:39:08Z) - Efficient Neural Representation of Volumetric Data using
Coordinate-Based Networks [0.0]
本稿では,座標ネットワークとハッシュ符号化を用いたボリュームデータの圧縮と表現のための効率的な手法を提案する。
提案手法は,空間座標と強度値のマッピングを学習することで,効率的な圧縮を実現する。
論文 参考訳（メタデータ） (2024-01-16T21:33:01Z) - Neural-based Compression Scheme for Solar Image Data [8.374518151411612]
我々は、NASAのデータ集約画像ミッションで使用されるニューラルネットワークに基づく損失圧縮手法を提案する。
本研究では,画像の局所構造と大域構造の両方を捉えるために,局所的および非局所的アテンションモジュールを備えた逆トレーニングニューラルネットワークを提案する。
このアルゴリズムをSDOデータ解析に使用するための概念実証として、圧縮画像を用いてコロナホール(CH)検出を行った。
論文 参考訳（メタデータ） (2023-11-06T04:13:58Z) - Analysis and Optimization of Wireless Federated Learning with Data
Heterogeneity [72.85248553787538]
本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。
ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。
実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-08-04T04:18:01Z) - Task-aware Distributed Source Coding under Dynamic Bandwidth [24.498190179263837]
独立エンコーダとジョイントデコーダからなる分散圧縮フレームワークを提案し,ニューラル分散主成分分析(NDPCA)と呼ぶ。
NDPCAは、複数のソースからのデータを単一のモデルで任意の帯域に柔軟に圧縮し、計算とストレージのオーバーヘッドを減らす。
実験の結果,NDPCAは多視点ロボットアーム操作の成功率を9%向上し,衛星画像上の物体検出タスクの精度を14%向上させることがわかった。
論文 参考訳（メタデータ） (2023-05-24T19:20:59Z) - Optimal transfer protocol by incremental layer defrosting [66.76153955485584]
トランスファーラーニングは、限られた量のデータでモデルトレーニングを可能にする強力なツールである。
最も単純な転送学習プロトコルは、データリッチなソースタスクで事前訓練されたネットワークの機能抽出層を凍結する。
このプロトコルは、しばしば準最適であり、事前学習されたネットワークの小さな部分を凍結したままにしておくと、最大の性能向上が達成される可能性がある。
論文 参考訳（メタデータ） (2023-03-02T17:32:11Z) - Outsourcing Training without Uploading Data via Efficient Collaborative
Open-Source Sampling [49.87637449243698]
従来のアウトソーシングでは、デバイスデータをクラウドサーバにアップロードする必要がある。
我々は、公開および異種ソースから収集された膨大なデータセットである、広く利用可能なオープンソースデータを活用することを提案する。
我々は,オープンソースデータからクラウドトレーニングのためのプロキシデータセットを構築するための,ECOS(Efficient Collaborative Open-source Sampling)と呼ばれる新しい戦略を開発した。
論文 参考訳（メタデータ） (2022-10-23T00:12:18Z) - Task-Aware Network Coding Over Butterfly Network [3.5366052026723547]
我々は、分散受信機が機械学習タスクを介して送信されたデータを渡すタスク駆動型ネットワークコーディング問題を分析する。
実座標空間におけるバタフライネットワーク上のタスク認識ネットワークの符号化問題を定式化し、損失のあるアナログ圧縮を適用する。
本稿では,MLアルゴリズムを導入し,タスク認識型ネットワーク符号化の有効性を実証する。
論文 参考訳（メタデータ） (2022-01-28T03:35:51Z) - Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。
最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。
提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
論文 参考訳（メタデータ） (2021-11-26T18:44:59Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Towards Accurate Quantization and Pruning via Data-free Knowledge
Transfer [61.85316480370141]
我々は、訓練された大規模ネットワークからコンパクトネットワークへの知識の伝達により、データフリーな量子化とプルーニングを研究する。
データフリーなコンパクトネットワークは、トレーニングデータで訓練され、微調整されたネットワークに対して、競争精度を達成する。
論文 参考訳（メタデータ） (2020-10-14T18:02:55Z)
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。