論文の概要: A Phone-based Distributed Ambient Temperature Measurement System with An Efficient Label-free Automated Training Strategy
- arxiv url: http://arxiv.org/abs/2404.10401v2
- Date: Fri, 17 May 2024 11:38:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-20 18:12:19.423603
- Title: A Phone-based Distributed Ambient Temperature Measurement System with An Efficient Label-free Automated Training Strategy
- Title(参考訳): 効率的なラベレス自動訓練戦略を用いた携帯電話による分散型環境温度測定システム
- Authors: Dayin Chen, Xiaodan Shi, Haoran Zhang, Xuan Song, Dongxiao Zhang, Yuntian Chen, Jinyue Yan,
- Abstract要約: 建物のエネルギー効率の向上は、屋内の環境温度のモニタリングに大きく依存している。
既存の電話ベースの環境温度推定手法では、プライバシー保護の不十分、様々な電話にモデルを適応させることの困難、十分なラベル付きトレーニングデータを取得する上でのハードルといった課題に直面している。
本研究では,複数の携帯電話間で協調して環境温度を正確に測定できる分散電話型環境温度推定システムを提案する。
- 参考スコア(独自算出の注目度): 15.68699858395261
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Enhancing the energy efficiency of buildings significantly relies on monitoring indoor ambient temperature. The potential limitations of conventional temperature measurement techniques, together with the omnipresence of smartphones, have redirected researchers'attention towards the exploration of phone-based ambient temperature estimation methods. However, existing phone-based methods face challenges such as insufficient privacy protection, difficulty in adapting models to various phones, and hurdles in obtaining enough labeled training data. In this study, we propose a distributed phone-based ambient temperature estimation system which enables collaboration among multiple phones to accurately measure the ambient temperature in different areas of an indoor space. This system also provides an efficient, cost-effective approach with a few-shot meta-learning module and an automated label generation module. It shows that with just 5 new training data points, the temperature estimation model can adapt to a new phone and reach a good performance. Moreover, the system uses crowdsourcing to generate accurate labels for all newly collected training data, significantly reducing costs. Additionally, we highlight the potential of incorporating federated learning into our system to enhance privacy protection. We believe this study can advance the practical application of phone-based ambient temperature measurement, facilitating energy-saving efforts in buildings.
- Abstract(参考訳): 建物のエネルギー効率の向上は、屋内の環境温度のモニタリングに大きく依存している。
従来の温度測定手法の潜在的な限界は、スマートフォンの非存在とともに、携帯電話による環境温度推定手法の探究に対する研究者の意識をリダイレクトしている。
しかし、既存の電話ベースの手法では、プライバシー保護の不足、様々な電話にモデルを適用することの難しさ、十分なラベル付きトレーニングデータを取得することのハードルなど、課題に直面している。
本研究では,屋内空間の異なる領域の環境温度を正確に測定する分散電話を用いた環境温度推定システムを提案する。
このシステムは、数ショットのメタ学習モジュールと自動ラベル生成モジュールを備えた効率的で費用対効果の高いアプローチも提供する。
5つの新しいトレーニングデータポイントで、温度推定モデルが新しいスマートフォンに適応し、優れたパフォーマンスを達成できることが示される。
さらに,クラウドソーシングを用いて,新たに収集したトレーニングデータの正確なラベルを生成することで,コストを大幅に削減する。
さらに,プライバシ保護を強化するために,フェデレーション学習をシステムに組み込むことの可能性を強調した。
本研究では,電話による環境温度測定の実用化を推進し,ビルの省エネ活動を促進することができると考えている。
関連論文リスト
- EnergyPlus Room Simulator [0.34263545581620375]
本研究では, 室内環境シミュレーションを行うEnergyPlus Room Simulatorについて述べる。
室内モデルを変更し、温度、湿度、CO2濃度などの様々な要因をシミュレートすることができる。
このツールは、シミュレーションデータへの高速なアクセスを容易にすることで、部屋レベルでの占有検知などの科学的、建築関連のタスクを支援することを目的としている。
論文 参考訳(メタデータ) (2024-10-25T07:57:23Z) - Hybrid Transformer-RNN Architecture for Household Occupancy Detection
Using Low-Resolution Smart Meter Data [8.486902848941872]
エネルギーシステムのデジタル化は、非侵襲的な方法で占有検知に使用できるスマートメーターデータを提供する。
ディープラーニング技術により、低解像度のスマートメーターデータから占有率を推定できる。
本研究は, 住宅の占有状況を検出するための, プライバシ意識と効果的なモデルを開発することを目的としている。
論文 参考訳(メタデータ) (2023-08-27T14:13:29Z) - Autonomous Payload Thermal Control [55.2480439325792]
小さな衛星では、熱制御装置、科学機器、電子部品のスペースは少ない。
深部強化学習を用いた自律型熱制御ツールを提案する。
提案するフレームワークは,運用範囲の温度を維持するためにペイロード処理能力の制御を学べる。
論文 参考訳(メタデータ) (2023-07-28T09:40:19Z) - Development, Optimization, and Deployment of Thermal Forward Vision
Systems for Advance Vehicular Applications on Edge Devices [0.3058685580689604]
我々は、エンドツーエンドのYOLO深層学習フレームワークを用いたスマートフォワードセンシングシステムとして、熱的小型YOLO多クラスオブジェクト検出(TTYMOD)システムを提案する。
このシステムは大規模な熱機関で訓練され、35,000以上の異なる熱フレームからなる新たなオープンソースデータセットが新たに集められている。
温度調整されたナノネットワークの有効性を、平均精度、秒間フレーム、平均推定時間を含む様々な定性的指標を用いて定量化する。
論文 参考訳(メタデータ) (2023-01-18T15:45:33Z) - 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) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳(メタデータ) (2022-09-01T03:27:33Z) - Hybrid full-field thermal characterization of additive manufacturing
processes using physics-informed neural networks with data [5.653328302363391]
我々は,物理インフォームドニューラルネットワークを用いたAMプロセスのハイブリッドなデータ駆動熱モデリング手法を開発した。
赤外線カメラから測定された部分観測温度データと物理法則を組み合わせることで、全球温度履歴を予測する。
その結果,ハイブリッド熱モデルでは未知のパラメータを効果的に同定し,フルフィールド温度を正確に把握できることがわかった。
論文 参考訳(メタデータ) (2022-06-15T18:27:10Z) - Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using
Meta-Learning [64.92447072894055]
赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。
既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。
KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
論文 参考訳(メタデータ) (2021-10-07T02:28:18Z) - Object Detection in Thermal Spectrum for Advanced Driver-Assistance
Systems (ADAS) [0.5156484100374058]
熱赤外スペクトルにおける物体検出は、低照度条件と異なる気象条件においてより信頼性の高いデータソースを提供する。
本稿では,高度運転支援システム(ADAS)の7つの異なるクラスを用いたサーマルビジョンにおける最先端のオブジェクト・ビジョン・フレームワークの探索と適用について述べる。
公開データセット上のトレーニング済みネットワーク変種は、3つの異なるテストアプローチでテストデータ上で検証される。
訓練されたネットワークの有効性は、未冷却のLWIRプロトタイプ熱カメラで捉えたローカル収集された新しいテストデータで検証される。
論文 参考訳(メタデータ) (2021-09-20T21:38:55Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - To Talk or to Work: Flexible Communication Compression for Energy
Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。
FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。
フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
論文 参考訳(メタデータ) (2020-12-22T02:54:18Z)
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。