論文の概要: MicroNAS: An Automated Framework for Developing a Fall Detection System

• arxiv url: http://arxiv.org/abs/2504.07397v1
• Date: Thu, 10 Apr 2025 02:32:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:22:41.770939
• Title: MicroNAS: An Automated Framework for Developing a Fall Detection System
• Title（参考訳）: MicroNAS: 転倒検知システムを開発するための自動化フレームワーク
• Authors: Seyed Mojtaba Mohasel, John Sheppard, Lindsey K. Molina, Richard R. Neptune, Shane R. Wurdeman, Corey A. Pew,
• Abstract要約: MicroNASは、小さなメモリリソースを持つマイクロコントローラのモデルを作成するために特別に設計された、自動ニューラルネットワーク検索ツールである。 ESP32マイクロコントローラは320KBのメモリを持ち、ターゲットプラットフォームとして使用されている。 低域アンプの落下検知システム(FDS)をパイロット実験として開発した。
• 参考スコア（独自算出の注目度）: 0.13194391758295113
• License:
• Abstract: This work presents MicroNAS, an automated neural architecture search tool specifically designed to create models optimized for microcontrollers with small memory resources. The ESP32 microcontroller, with 320 KB of memory, is used as the target platform. The artificial intelligence contribution lies in a novel method for optimizing convolutional neural network and gated recurrent unit architectures by considering the memory size of the target microcontroller as a guide. A comparison is made between memory-driven model optimization and traditional two-stage methods, which use pruning, to show the effectiveness of the proposed framework. To demonstrate the engineering application of MicroNAS, a fall detection system (FDS) for lower-limb amputees is developed as a pilot study. A critical challenge in fall detection studies, class imbalance in the dataset, is addressed. The results show that MicroNAS models achieved higher F1-scores than alternative approaches, such as ensemble methods and H2O Automated Machine Learning, presenting a significant step forward in real-time FDS development. Biomechanists using body-worn sensors for activity detection can adopt the open-source code to design machine learning models tailored for microcontroller platforms with limited memory.
• Abstract（参考訳）: この研究は、小さなメモリリソースを持つマイクロコントローラに最適化されたモデルを作成するために特別に設計された、自動ニューラルネットワーク検索ツールであるMicroNASを提示する。 ESP32マイクロコントローラは320KBのメモリを持ち、ターゲットプラットフォームとして使用されている。 この人工知能コントリビューションは、ターゲットマイクロコントローラのメモリサイズをガイドとして考慮し、畳み込みニューラルネットワークを最適化し、繰り返しユニットアーキテクチャをゲートする新しい方法に関係している。 提案手法の有効性を示すため,メモリ駆動モデル最適化とプルーニングを用いた従来の2段階手法の比較を行った。 MicroNASの工学的応用を実証するため,低域アンプの落下検知システム(FDS)をパイロット実験として開発した。 秋検出研究における重要な課題は、データセットのクラス不均衡である。 その結果、マイクロNASモデルは、アンサンブル法やH2O自動機械学習のような代替手法よりも高いF1スコアを達成し、リアルタイムFDS開発において大きな進歩を見せた。 アクティビティ検出にボディウーンセンサーを使用するバイオメカニクスは、メモリ制限のあるマイクロコントローラプラットフォームに適した機械学習モデルを設計するために、オープンソースコードを採用することができる。

関連論文リスト

• AI-ANNE: (A) (N)eural (N)et for (E)xploration: Transferring Deep Learning Models onto Microcontrollers and Embedded Systems [0.0]
  本稿では、Raspberry Pi Pico / Raspberry Pi Pico 2.0のようなリソース制約のある組み込みシステムへのニューラルネットワークの統合について検討する。 TinyMLは、これらのマイクロコントローラ上でニューラルネットワークを直接転送し、リアルタイム、低レイテンシ、エネルギー効率の推論を可能にする。 マイクロコントローラ上の2つの異なるニューラルネットワークは、データ分類の例を示す。
  論文  参考訳（メタデータ） (2025-01-01T10:29:55Z)
• Autonomous Droplet Microfluidic Design Framework with Large Language Models [0.6827423171182153]
  本研究では,処理および特徴抽出のためのフレームワークであるMicroFluidic-LLMsを提案する。 コンテンツが言語形式に変換され、事前訓練された大きな言語モデルを活用することで、処理上の課題を克服する。 当社のMicroFluidic-LLMsフレームワークは、ディープニューラルネットワークモデルに極めて効果的で簡単なものにすることができることを実証しています。
  論文  参考訳（メタデータ） (2024-11-11T03:20:53Z)
• Accelerating TinyML Inference on Microcontrollers through Approximate Kernels [3.566060656925169]
  本研究では、近似計算とソフトウェアカーネル設計を組み合わせることで、マイクロコントローラ上での近似CNNモデルの推定を高速化する。 CIFAR-10データセットでトレーニングされたSTM32-Nucleoボードと2つの人気のあるCNNによる評価は、最先端の正確な推測と比較すると、平均21%のレイテンシ削減が可能であることを示している。
  論文  参考訳（メタデータ） (2024-09-25T11:10:33Z)
• MCUFormer: Deploying Vision Transformers on Microcontrollers with Limited Memory [76.02294791513552]
  我々はMCUFormerと呼ばれるハードウェア・アルゴリズムの協調最適化手法を提案し、メモリが極端に制限されたマイクロコントローラにビジョントランスフォーマーを配置する。 MCUFormerは320KBのメモリを持つ画像分類のためのImageNet上で73.62%のTop-1精度を実現している。
  論文  参考訳（メタデータ） (2023-10-25T18:00:26Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• DeepPicarMicro: Applying TinyML to Autonomous Cyber Physical Systems [2.2667044691227636]
  本稿では、Raspberry Pi Pico MCU上で畳み込みニューラルネットワーク(CNN)を動作させる、小型の自動運転RCカーテストベッドであるDeepPicarMicroを紹介する。 我々は、よく知られたPilotNet CNNアーキテクチャに適合させるために、最先端のDNN最適化を適用した。 システムの精度、レイテンシ、制御性能の興味深い関係を観察する。
  論文  参考訳（メタデータ） (2022-08-23T21:58:53Z)
• MCUNetV2: Memory-Efficient Patch-based Inference for Tiny Deep Learning [72.80896338009579]
  メモリボトルネックは畳み込みニューラルネットワーク(CNN)の設計における不均衡なメモリ分布に起因する。 本稿では,ピークメモリを大幅に削減するパッチ・バイ・パッチ・推論スケジューリングを提案する。 ニューラルアーキテクチャサーチによるプロセスを自動化し、ニューラルアーキテクチャと推論スケジューリングを共同で最適化し、MCUNetV2に導いた。
  論文  参考訳（メタデータ） (2021-10-28T17:58:45Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• MicroNets: Neural Network Architectures for Deploying TinyML Applications on Commodity Microcontrollers [18.662026553041937]
  リソース制約付きマイクロコントローラ(MCU)による機械学習は、IoT(Internet of Things)のアプリケーション領域を大幅に拡大することを約束する TinyMLは、ディープニューラルネットワーク推論が大きな計算とメモリの予算を必要とするため、深刻な技術的課題を提示している。 ニューラルネットワークサーチ(NAS)は、厳密なMCUメモリ、レイテンシ、エネルギー制約を満たす正確なMLモデルの設計を支援する。
  論文  参考訳（メタデータ） (2020-10-21T19:39:39Z)
• DrNAS: Dirichlet Neural Architecture Search [88.56953713817545]
  ディリクレ分布をモデルとした連続緩和型混合重みをランダム変数として扱う。 最近開発されたパスワイズ微分により、ディリクレパラメータは勾配に基づく一般化で容易に最適化できる。 微分可能なNASの大きなメモリ消費を軽減するために, 単純かつ効果的な進行学習方式を提案する。
  論文  参考訳（メタデータ） (2020-06-18T08:23:02Z)

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。