論文の概要: An Automated Approach to Collecting and Labeling Time Series Data for Event Detection Using Elastic Node Hardware

• arxiv url: http://arxiv.org/abs/2407.11042v1
• Date: Sat, 6 Jul 2024 15:19:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 12:09:54.875058
• Title: An Automated Approach to Collecting and Labeling Time Series Data for Event Detection Using Elastic Node Hardware
• Title（参考訳）: 弾性ノードハードウェアを用いたイベント検出のための時系列データの収集とラベル付けのための自動手法
• Authors: Tianheng Ling, Islam Mansour, Chao Qian, Gregor Schiele,
• Abstract要約: 本稿では,センサデータをIoTデバイス上で直接ラベル付けする新しい組込みシステムを提案する。 本稿では,各種センサデータのキャプチャとラベル付けを効率化する,特殊なラベル付けセンサを備えたハードウェアとソフトウェアの統合ソリューションを提案する。
• 参考スコア（独自算出の注目度）: 18.15754187896287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in IoT technologies have underscored the importance of using sensor data to understand environmental contexts effectively. This paper introduces a novel embedded system designed to autonomously label sensor data directly on IoT devices, thereby enhancing the efficiency of data collection methods. We present an integrated hardware and software solution equipped with specialized labeling sensors that streamline the capture and labeling of diverse types of sensor data. By implementing local processing with lightweight labeling methods, our system minimizes the need for extensive data transmission and reduces dependence on external resources. Experimental validation with collected data and a Convolutional Neural Network model achieved a high classification accuracy of up to 91.67%, as confirmed through 4-fold cross-validation. These results demonstrate the system's robust capability to collect audio and vibration data with correct labels.
• Abstract（参考訳）: IoT技術の最近の進歩は、環境コンテキストを効果的に理解するためにセンサーデータを使用することの重要性を強調している。 本稿では,センサデータをIoTデバイスに直接ラベル付けする新しい組込みシステムを提案する。 本稿では,各種センサデータのキャプチャとラベル付けを効率化する,特殊なラベル付けセンサを備えたハードウェアとソフトウェアの統合ソリューションを提案する。 軽量なラベリング方式でローカル処理を実装することにより,データ転送の広範囲化を最小化し,外部リソースへの依存を低減できる。 収集したデータと畳み込みニューラルネットワークモデルによる実験的検証は、4倍のクロスバリデーションによって確認され、最大91.67%の高い分類精度を達成した。 これらの結果は、正しいラベルで音声や振動データを収集するシステムの堅牢性を示している。

関連論文リスト

• Cross-domain Learning Framework for Tracking Users in RIS-aided Multi-band ISAC Systems with Sparse Labeled Data [55.70071704247794]
  統合センシング・通信(ISAC)は6G通信において重要であり、再構成可能なインテリジェントサーフェス(RIS)の急速な発展によって促進される 本稿では,複数の帯域にまたがるマルチモーダルCSIインジケータを協調的に活用し,クロスドメイン方式で追跡機能をモデル化するX2Trackフレームワークを提案する。 X2Trackの下では、トランスフォーマーニューラルネットワークと逆学習技術に基づいて、トラッキングエラーを最小限に抑える効率的なディープラーニングアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-05-10T08:04:27Z)
• A Plug-in Tiny AI Module for Intelligent and Selective Sensor Data Transmission [10.174575604689391]
  本稿では、インテリジェントなデータ伝送機能を備えたセンシングフレームワークを実現するための新しいセンシングモジュールを提案する。 センサの近くに置かれる高効率機械学習モデルを統合する。 このモデルは,無関係な情報を破棄しながら,貴重なデータのみを送信するセンサシステムに対して,迅速なフィードバックを提供する。
  論文  参考訳（メタデータ） (2024-02-03T05:41:39Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• SECOE: Alleviating Sensors Failure in Machine Learning-Coupled IoT Systems [0.0]
  本論文は,センサ障害を同時に緩和するための積極的なアプローチであるSECOEを提案する。 SECOEは、センサー間の相関を利用してアンサンブル内のモデル数を最小化する新しい技術を含んでいる。 実験の結果,SECOEはセンサ故障の有無の予測精度を効果的に維持することがわかった。
  論文  参考訳（メタデータ） (2022-10-05T10:58:39Z)
• 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)
• Few-Shot Transfer Learning for Device-Free Fingerprinting Indoor Localization [5.721124285238145]
  IoT(Internet of Things)におけるデバイスフリーワイヤレス屋内位置決め技術 指紋ベースの手法の一般的な課題は、データ収集とラベル付けである。 本稿では,現在の環境から少量のラベル付きデータのみを利用する,数発の転送学習システムを提案する。
  論文  参考訳（メタデータ） (2022-01-29T20:49:45Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Using system context information to complement weakly labeled data [4.952316606722224]
  センサーネットワークで収集された実世界のデータセットは、しばしば不完全で不確実なラベルを含む。 本稿では,情報グラフに形式化されたシステムコンテキスト情報を利用して,コントラスト学習による学習プロセスに組み込むことを提案する。 実世界のデータに基づいて、弱いラベル付きデータの場合、このアプローチによって精度が向上することを示す。
  論文  参考訳（メタデータ） (2021-07-19T07:05:16Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• On the Role of Sensor Fusion for Object Detection in Future Vehicular Networks [25.838878314196375]
  異なるセンサの組み合わせが車両の移動・運転環境の検出にどのように影響するかを評価します。 最終的な目標は、チャネルに分散するデータの量を最小限に抑える最適な設定を特定することです。
  論文  参考訳（メタデータ） (2021-04-23T18:58:37Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。