論文の概要: Towards Contactless Elevators with TinyML using CNN-based Person Detection and Keyword Spotting
- arxiv url: http://arxiv.org/abs/2405.13051v1
- Date: Sun, 19 May 2024 20:24:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-25 04:32:08.931542
- Title: Towards Contactless Elevators with TinyML using CNN-based Person Detection and Keyword Spotting
- Title（参考訳）: CNNを用いた人物検出とキーワードスポッティングによるTinyMLを用いた非接触エレベータの実現
- Authors: Anway S. Pimpalkar, Deeplaxmi V. Niture,
- Abstract要約: 本研究では,人間の介入を最小化することを目的とした非接触式エレベーター運転システムの概念実証を行う。
エレベータ操作のために、小さな機械学習(tinyML)推論を実行するマイクロコントローラベースのエッジデバイスを開発した。
その結果、人検出精度83.34%、キーワードスポッティング効率80.5%、全体の遅延時間は5秒以下であることが判明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study presents a proof of concept for a contactless elevator operation system aimed at minimizing human intervention while enhancing safety, intelligence, and efficiency. A microcontroller-based edge device executing tiny Machine Learning (tinyML) inferences is developed for elevator operation. Using person detection and keyword spotting algorithms, the system offers cost-effective and robust units requiring minimal infrastructural changes. The design incorporates preprocessing steps and quantized convolutional neural networks in a multitenant framework to optimize accuracy and response time. Results show a person detection accuracy of 83.34% and keyword spotting efficacy of 80.5%, with an overall latency under 5 seconds, indicating effectiveness in real-world scenarios. Unlike current high-cost and inconsistent contactless technologies, this system leverages tinyML to provide a cost-effective, reliable, and scalable solution, enhancing user safety and operational efficiency without significant infrastructural changes. The study highlights promising results, though further exploration is needed for scalability and integration with existing systems. The demonstrated energy efficiency, simplicity, and safety benefits suggest that tinyML adoption could revolutionize elevator systems, serving as a model for future technological advancements. This technology could significantly impact public health and convenience in multi-floor buildings by reducing physical contact and improving operational efficiency, particularly relevant in the context of pandemics or hygiene concerns.
- Abstract（参考訳）: 本研究では,人的介入を最小限に抑えつつ,安全性,知性,効率を高めることを目的とした非接触式エレベーター運転システムの概念実証を行う。
エレベータ操作のために、小さな機械学習(tinyML)推論を実行するマイクロコントローラベースのエッジデバイスを開発した。
人検出とキーワードスポッティングアルゴリズムを用いて、システムは最小限のインフラ変更を必要とするコスト効率と堅牢なユニットを提供する。
この設計は、精度と応答時間を最適化するために、前処理ステップと量子化された畳み込みニューラルネットワークをマルチテナントフレームワークに組み込んでいる。
その結果、人検出精度は83.34%、キーワードスポッティング効率は80.5%で、全体のレイテンシは5秒未満で、現実のシナリオでは有効であることが示されている。
現行の高コストで一貫性のない非接触技術とは異なり、このシステムは小さなMLを活用して、コスト効率が高く、信頼性が高く、スケーラブルなソリューションを提供する。
この研究は有望な結果を強調しているが、既存のシステムとのスケーラビリティと統合のためにさらなる調査が必要である。
エネルギー効率、単純さ、安全性のメリットが実証されたことから、小さなMLの採用がエレベーターシステムに革命をもたらし、将来の技術進歩のモデルとして機能する可能性が示唆されている。
この技術は、物理的接触を減らし、特にパンデミックや衛生上の問題に関係のある運用効率を向上させることで、多層建築物の公衆衛生と利便性に大きな影響を及ぼす可能性がある。
関連論文リスト
- Real-time Monitoring of Lower Limb Movement Resistance Based on Deep Learning [0.0]
リアルタイム下肢運動抵抗モニタリングは,リハビリテーションや運動訓練などの臨床・スポーツ分野での様々な用途において重要である。
効率的な特徴抽出のためにMobileNetV3を統合した新しいMobile Multi-Task Learning Network (MMTL-Net)を提案する。
MMTL-Netの利点は、精度の向上、レイテンシの低減、計算効率の向上であり、リアルタイムアプリケーションに非常に適している。
論文 参考訳（メタデータ） (2024-10-13T18:19:48Z) - Small Object Detection for Indoor Assistance to the Blind using YOLO NAS Small and Super Gradients [0.0]
本稿では,小物体検出の課題に対処して,視覚障害者に対する屋内支援のための新しいアプローチを提案する。
軽量で効率的なオブジェクト検出モデルであるYOLO NAS Smallアーキテクチャを,Super Gradientsトレーニングフレームワークを用いて最適化する手法を提案する。
論文 参考訳（メタデータ） (2024-08-28T05:38:20Z) - Efficient Fusion and Task Guided Embedding for End-to-end Autonomous Driving [1.3149617027696827]
我々は,センサ融合と安全リスク予測の課題に対処するため,EfficientFuserというコンパクトで強力なソリューションを導入した。
CARLAシミュレーションプラットフォームで評価されたEfficientFuserは、パラメータの37.6%しか利用せず、顕著な効率性を示している。
安全スコアは、その有効性と、自律運転システムへの実用的展開の可能性を示す主要な安全性向上手法に近づいた。
論文 参考訳（メタデータ） (2024-07-03T07:45:58Z) - A Self-Supervised Task for Fault Detection in Satellite Multivariate Time Series [45.31237646796715]
この研究は、複雑な分布と高次元分布をモデル化する能力で有名な物理インフォームドリアルNVPニューラルネットワークを活用する新しいアプローチを提案する。
実験には、セルフスーパービジョンによる事前トレーニング、マルチタスク学習、スタンドアロンのセルフ教師付きトレーニングなど、さまざまな構成が含まれている。
結果は、すべての設定で大幅にパフォーマンスが向上したことを示している。
論文 参考訳（メタデータ） (2024-07-03T07:19:41Z) - Highlighting the Safety Concerns of Deploying LLMs/VLMs in Robotics [54.57914943017522]
本稿では,大規模言語モデル (LLMs) と視覚言語モデル (VLMs) をロボティクスアプリケーションに統合する際のロバスト性と安全性に関する重要な課題を強調する。
論文 参考訳（メタデータ） (2024-02-15T22:01:45Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-29T02:27:54Z) - Agile gesture recognition for capacitive sensing devices: adapting
on-the-job [55.40855017016652]
本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。
コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。
機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
論文 参考訳（メタデータ） (2023-05-12T17:24:02Z) - Estimating the Robustness of Public Transport Systems Using Machine
Learning [62.997667081978825]
公共交通機関の計画は、多くのステップを含む非常に複雑なプロセスである。
乗客の観点からの堅牢性の統合により、作業はさらに困難になる。
本稿では,機械学習の手法を用いたシナリオベースロバストネス近似の新しい手法を提案する。
論文 参考訳（メタデータ） (2021-06-10T05:52:56Z) - YOLOpeds: Efficient Real-Time Single-Shot Pedestrian Detection for Smart
Camera Applications [2.588973722689844]
この研究は、スマートカメラアプリケーションにおけるディープラーニングに基づく歩行者検出の効率的な展開のために、精度と速度の良好なトレードオフを達成するという課題に対処する。
分離可能な畳み込みに基づいて計算効率の良いアーキテクチャを導入し、層間密結合とマルチスケール機能融合を提案する。
全体として、YOLOpedsは、既存のディープラーニングモデルよりも86%の速度で、毎秒30フレーム以上のリアルタイム持続的な操作を提供する。
論文 参考訳（メタデータ） (2020-07-27T09:50:11Z)
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。