論文の概要: LimitNet: Progressive, Content-Aware Image Offloading for Extremely Weak Devices & Networks
- arxiv url: http://arxiv.org/abs/2504.13736v1
- Date: Fri, 18 Apr 2025 15:04:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-28 15:21:28.029217
- Title: LimitNet: Progressive, Content-Aware Image Offloading for Extremely Weak Devices & Networks
- Title（参考訳）: LimitNet: 極弱弱デバイスとネットワークのためのプログレッシブでコンテンツ対応の画像オフロード
- Authors: Ali Hojjat, Janek Haberer, Tayyaba Zainab, Olaf Landsiedel,
- Abstract要約: LimitNetは、非常に弱いデバイスやネットワーク向けに設計された、プログレッシブでコンテンツ対応の画像圧縮モデルである。
画像の内容に基づいて送信中に重要なデータを優先順位付けするので、部分的なデータ可用性でもクラウドが推論を実行することができる。
- 参考スコア（独自算出の注目度）: 0.41942958779358674
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: IoT devices have limited hardware capabilities and are often deployed in remote areas. Consequently, advanced vision models surpass such devices' processing and storage capabilities, requiring offloading of such tasks to the cloud. However, remote areas often rely on LPWANs technology with limited bandwidth, high packet loss rates, and extremely low duty cycles, which makes fast offloading for time-sensitive inference challenging. Today's approaches, which are deployable on weak devices, generate a non-progressive bit stream, and therefore, their decoding quality suffers strongly when data is only partially available on the cloud at a deadline due to limited bandwidth or packet losses. In this paper, we introduce LimitNet, a progressive, content-aware image compression model designed for extremely weak devices and networks. LimitNet's lightweight progressive encoder prioritizes critical data during transmission based on the content of the image, which gives the cloud the opportunity to run inference even with partial data availability. Experimental results demonstrate that LimitNet, on average, compared to SOTA, achieves 14.01 p.p. (percentage point) higher accuracy on ImageNet1000, 18.01 pp on CIFAR100, and 0.1 higher mAP@0.5 on COCO. Also, on average, LimitNet saves 61.24% bandwidth on ImageNet1000, 83.68% on CIFAR100, and 42.25% on the COCO dataset compared to SOTA, while it only has 4% more encoding time compared to JPEG (with a fixed quality) on STM32F7 (Cortex-M7).
- Abstract（参考訳）: IoTデバイスはハードウェア機能に制限があり、しばしばリモートエリアにデプロイされる。
その結果、高度なビジョンモデルはそのようなデバイスの処理とストレージ能力を超え、そのようなタスクをクラウドにオフロードする必要がある。
しかしながら、リモートエリアは、帯域幅が限られ、パケットロス率が高く、極めて低いデューティサイクルを持つLPWAN技術に依存しており、時間に敏感な推論のために高速なオフロードを困難にしている。
今日のアプローチは、弱いデバイスにデプロイ可能であり、非プログレッシブビットストリームを生成するため、そのデコード品質は、帯域幅やパケットロスの制限により、期限内にデータが部分的にクラウド上でのみ利用可能である場合に、強く影響を受ける。
本稿では,非常に弱いデバイスやネットワーク向けに設計された,プログレッシブなコンテンツ対応画像圧縮モデルであるLimitNetを紹介する。
LimitNetの軽量プログレッシブエンコーダは、画像の内容に基づいて送信中に重要なデータを優先順位付けする。
実験の結果、平均してSOTAと比較すると、ImageNet1000では14.01 p.p.(パーセント)、CIFAR100では18.01 pp、COCOでは0.1 mAP@0.5であることがわかった。
また、平均して、LimitNetはImageNet1000で61.24%、CIFAR100で83.68%、COCOデータセットで42.25%、STM32F7(Cortex-M7)でJPEGよりも4%高いエンコーディング時間しか保存していない。
関連論文リスト
- MCUCoder: Adaptive Bitrate Learned Video Compression for IoT Devices [0.44998333629984877]
本稿では,リソース制限型IoT設定に適した,オープンソースの適応型ビデオ圧縮モデルを提案する。
MCUCoderは10.5Kのパラメータと最小350KBのメモリを持つ超軽量エンコーダを備えている。
論文 参考訳（メタデータ） (2024-11-29T03:00:21Z) - MISC: Ultra-low Bitrate Image Semantic Compression Driven by Large Multimodal Model [78.4051835615796]
本稿では,マルチモーダル画像セマンティック圧縮法を提案する。
画像の意味情報を抽出するLMMエンコーダと、その意味に対応する領域を特定するマップエンコーダと、非常に圧縮されたビットストリームを生成する画像エンコーダと、前記情報に基づいて画像を再構成するデコーダとからなる。
知覚50%を節約しながら最適な一貫性と知覚結果を達成することができ、これは次世代のストレージと通信において強力な可能性を持つ。
論文 参考訳（メタデータ） (2024-02-26T17:11:11Z) - Progressive Neural Compression for Adaptive Image Offloading under
Timing Constraints [9.903309560890317]
タイミング制約下での機械学習アプリケーションの推論性能を最大化する適応的アプローチを開発することが重要である。
本稿では,画像分類を対象とし,この問題の効率的な解法としてプログレッシブ・ニューラル・圧縮(PNC)を提案する。
我々は、最先端のニューラル圧縮アプローチとテストベッド上の従来の圧縮手法に対するPNCの利点を実証する。
論文 参考訳（メタデータ） (2023-10-08T22:58:31Z) - PyNet-V2 Mobile: Efficient On-Device Photo Processing With Neural
Networks [115.97113917000145]
エッジデバイス用に設計された新しいPyNET-V2 Mobile CNNアーキテクチャを提案する。
提案アーキテクチャでは,携帯電話から直接RAW 12MPの写真を1.5秒で処理することができる。
提案したアーキテクチャは,最新のモバイルAIアクセラレータとも互換性があることが示されている。
論文 参考訳（メタデータ） (2022-11-08T17:18:01Z) - Deep Lossy Plus Residual Coding for Lossless and Near-lossless Image
Compression [85.93207826513192]
本稿では、損失のない画像圧縮とほぼロスレス画像圧縮の両面において、統合された強力な深い損失+残差(DLPR)符号化フレームワークを提案する。
VAEのアプローチにおける連立損失と残留圧縮の問題を解く。
ほぼロスレスモードでは、元の残差を量子化し、与えられた$ell_infty$エラー境界を満たす。
論文 参考訳（メタデータ） (2022-09-11T12:11:56Z) - Analysis of the Effect of Low-Overhead Lossy Image Compression on the
Performance of Visual Crowd Counting for Smart City Applications [78.55896581882595]
画像圧縮技術は画像の品質を低下させ、精度を低下させる。
本稿では,低オーバヘッド損失画像圧縮法の適用が視覚的群集カウントの精度に与える影響を解析する。
論文 参考訳（メタデータ） (2022-07-20T19:20:03Z) - Identity Preserving Loss for Learned Image Compression [0.0]
本研究は,高圧縮率を実現するために,ドメイン固有の特徴を学習するエンドツーエンド画像圧縮フレームワークを提案する。
本稿では,CRF-23 HEVC圧縮の38%と42%のビット・パー・ピクセル(BPP)値が得られる新しいID保存再構成(IPR)ロス関数を提案する。
CRF-23 HEVC圧縮の38%の低いBPP値を保ちながら、未確認の認識モデルを用いてLFWデータセットの at-par 認識性能を示す。
論文 参考訳（メタデータ） (2022-04-22T18:01:01Z) - BottleFit: Learning Compressed Representations in Deep Neural Networks
for Effective and Efficient Split Computing [48.11023234245863]
圧縮速度が強い場合でも高い精度を達成するための新しいトレーニング戦略を含む,BottleFitと呼ばれる新しいフレームワークを提案する。
BottleFitは77.1%のデータ圧縮を実現し、ImageNetデータセットでは最大で0.6%の精度でロスする。
本稿では,BottleFitが消費電力とレイテンシを最大で49%,(w.r.t.)ローカルコンピューティングでは89%,エッジオフロードでは37%,W.r.t.エッジオフロードでは55%削減することを示した。
論文 参考訳（メタデータ） (2022-01-07T22:08:07Z) - Sharpness-aware Quantization for Deep Neural Networks [45.150346855368]
シャープネス・アウェア量子化(SAQ)は,シャープネス・アウェア最小化(SAM)がモデル圧縮に与える影響を探索する新しい手法である。
本研究では,SAQにより量子化モデルの一般化性能が向上し,SOTAの結果が均一に量子化されることを示す。
論文 参考訳（メタデータ） (2021-11-24T05:16:41Z) - A Joint Energy and Latency Framework for Transfer Learning over 5G
Industrial Edge Networks [53.26338041079138]
5G産業エッジネットワークのための転送学習対応エッジCNNフレームワークを提案する。
特に、エッジサーバは、既存の画像データセットを使用してcnnを事前トレーニングすることができる。
TLの助けを借りて、トレーニングに参加していないデバイスは、訓練されたエッジCNNモデルをスクラッチからトレーニングせずに微調整するだけです。
論文 参考訳（メタデータ） (2021-04-19T15:13:16Z) - CompressNet: Generative Compression at Extremely Low Bitrates [0.0]
スイッチ予測ネットワーク(SAESPN)によるスタックドオートエンコーダを拡張したCompressNetと呼ばれる新しいネットワークを提案する。
これにより、これらの低解像度(0.1bpp)で視覚的に喜ぶイメージの再構築に役立ちます。
特に0.07の時点で、CompressNetは深層学習SOTA法に比べて知覚障害が22%低く、Frechet Inception Distance(FID)が55%低い。
論文 参考訳（メタデータ） (2020-06-14T20:03:12Z)
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。