論文の概要: Real-time Calibration Model for Low-cost Sensor in Fine-grained Time series

• arxiv url: http://arxiv.org/abs/2412.20170v1
• Date: Sat, 28 Dec 2024 14:58:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:06:59.772091
• Title: Real-time Calibration Model for Low-cost Sensor in Fine-grained Time series
• Title（参考訳）: 細粒度時系列における低コストセンサのリアルタイム校正モデル
• Authors: Seokho Ahn, Hyungjin Kim, Sungbok Shin, Young-Duk Seo,
• Abstract要約: 対数重み付き注意力を利用した効果的なセンサキャリブレーションのためのTESLA, Transformer と呼ばれるモデルを開発した。 TESLAは高性能なディープラーニングモデルであるTransformersを使用して、非線形コンポーネントの校正とキャプチャを行う。 実験により、TESLAは既存の新しいディープラーニングモデルよりも精度、キャリブレーション速度、エネルギー効率が優れていることが示された。
• 参考スコア（独自算出の注目度）: 6.648146664198283
• License:
• Abstract: Precise measurements from sensors are crucial, but data is usually collected from low-cost, low-tech systems, which are often inaccurate. Thus, they require further calibrations. To that end, we first identify three requirements for effective calibration under practical low-tech sensor conditions. Based on the requirements, we develop a model called TESLA, Transformer for effective sensor calibration utilizing logarithmic-binned attention. TESLA uses a high-performance deep learning model, Transformers, to calibrate and capture non-linear components. At its core, it employs logarithmic binning to minimize attention complexity. TESLA achieves consistent real-time calibration, even with longer sequences and finer-grained time series in hardware-constrained systems. Experiments show that TESLA outperforms existing novel deep learning and newly crafted linear models in accuracy, calibration speed, and energy efficiency.
• Abstract（参考訳）: センサーからの正確な測定は重要だが、データは通常低コストの低技術システムから収集される。 そのため、さらなる校正が必要である。 そこで我々はまず,実用的ローテクセンサ条件下で有効キャリブレーションの要件を3つ同定する。 この要求に基づき,対数双対注意を用いた効果的なセンサキャリブレーションのためのTESLA, Transformer と呼ばれるモデルを開発した。 TESLAは高性能なディープラーニングモデルであるTransformersを使用して、非線形コンポーネントの校正とキャプチャを行う。 その中核となるのは、注意の複雑さを最小限に抑えるために対数的ビニング(対数的ビニング)である。 TESLAは、ハードウェア制約されたシステムにおいて、長いシーケンスとよりきめ細かい時系列であっても、一貫したリアルタイムキャリブレーションを実現する。 実験により、TESLAは既存の新しいディープラーニングモデルよりも精度、キャリブレーション速度、エネルギー効率が優れていることが示された。

関連論文リスト

• SenDaL: An Effective and Efficient Calibration Framework of Low-Cost Sensors for Daily Life [6.320658791668947]
  SenDaL(SendaL)は、ニューラルネットワークを用いて低コストセンサーを校正するフレームワークである。 SenDaLは、ディープラーニングモデルに匹敵する精度を達成するための、新しいトレーニングと推論プロセスを導入している。 我々は、SenDaLが既存のディープラーニングモデルよりも精度、レイテンシ、エネルギー効率で優れていることを検証した。
  論文  参考訳（メタデータ） (2025-02-12T07:51:19Z)
• MEMS Gyroscope Multi-Feature Calibration Using Machine Learning Technique [6.972912567929995]
  本研究では、機械学習(ML)を活用し、MEMSジャイロ共振器の複数の信号を用いて校正を改善する。 XGBoostは、高い予測精度と複雑な非線形関係を扱う能力で知られており、校正プロセスを強化するために使われている。 その結果,XGBoostとモデルの両方がノイズを著しく低減し,精度と安定性を向上し,従来のキャリブレーション法よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-10T01:21:48Z)
• Calibrating Language Models with Adaptive Temperature Scaling [58.056023173579625]
  本稿では,各トークンの温度スケーリングパラメータを予測するポストホックキャリブレーション法であるAdaptive Temperature Scaling (ATS)を紹介する。 ATSは、以前のキャリブレーション法と比較して、3つの下流自然言語評価ベンチマークで10-50%以上のキャリブレーションを改善する。
  論文  参考訳（メタデータ） (2024-09-29T22:54:31Z)
• UniCal: Unified Neural Sensor Calibration [32.7372115947273]
  自動運転車(SDV)には、LiDARとカメラの正確な校正が必要である。 従来のキャリブレーション手法では、制御され構造化されたシーンでキャプチャされたフィデューシャルを利用し、処理を最適化するために対応を計算する。 我々は、複数のLiDARとカメラを備えたSDVを強制的に校正する統合フレームワークUniCalを提案する。
  論文  参考訳（メタデータ） (2024-09-27T17:56:04Z)
• A re-calibration method for object detection with multi-modal alignment bias in autonomous driving [7.601405124830806]
  自律走行における多モード物体検出は、異なるセンサからの補完情報を融合させることにより、大きなブレークスルーを達成した。 実際には、キャリブレーション行列は車両が工場を出る際に固定されるが、振動、バンプ、データラグはキャリブレーションバイアスを引き起こす可能性がある。 我々は,SOTA検出方式EPNet++の実験を行い,キャリブレーションの偏りをわずかに示し,性能を著しく低下させることを示した。
  論文  参考訳（メタデータ） (2024-05-27T05:46:37Z)
• C-TPT: Calibrated Test-Time Prompt Tuning for Vision-Language Models via Text Feature Dispersion [54.81141583427542]
  深層学習において,ラベル付きデータを必要としない微調整手法としてテスト時間適応が注目されている。 本稿では,CLIPの固有特性を利用したテスト時プロンプトチューニング時の校正について検討する。 そこで本研究では,C-TPT(Calibrated Test-time Prompt Tuning)という,キャリブレーションの強化によるテスト時間中のプロンプトの最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-03-21T04:08:29Z)
• Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
  本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。 我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。 その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-11-06T22:13:10Z)
• Adaptive Calibrator Ensemble for Model Calibration under Distribution Shift [23.794897699193875]
  アダプティブ・キャリブレータ・アンサンブル(ACE)は、通常はキャリブレーション・セットよりも難しいOODデータセットをキャリブレーション・セットに分類する。 ACEは一般に、一連のOODベンチマークにおけるいくつかの最先端のキャリブレーション方式の性能を改善している。
  論文  参考訳（メタデータ） (2023-03-09T15:22:02Z)
• Parameterized Temperature Scaling for Boosting the Expressive Power in Post-Hoc Uncertainty Calibration [57.568461777747515]
  我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。 最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。 当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2021-02-24T10:18:30Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)
• Uncertainty Quantification and Deep Ensembles [79.4957965474334]
  ディープアンサンブルが必ずしもキャリブレーション特性の改善につながるとは限らないことを示す。 そこで本研究では,混成正規化などの現代的な手法と併用して標準アンサンブル法を用いることで,キャリブレーションの少ないモデルが得られることを示す。 このテキストは、データが不足しているときにディープラーニングを活用するために、最も単純で一般的な3つのアプローチの相互作用を調べる。
  論文  参考訳（メタデータ） (2020-07-17T07:32:24Z)

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。