論文の概要: EcoLens: Leveraging Multi-Objective Bayesian Optimization for Energy-Efficient Video Processing on Edge Devices
- arxiv url: http://arxiv.org/abs/2506.00754v1
- Date: Sat, 31 May 2025 23:47:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-04 21:47:33.571318
- Title: EcoLens: Leveraging Multi-Objective Bayesian Optimization for Energy-Efficient Video Processing on Edge Devices
- Title（参考訳）: EcoLens:エッジデバイス上での省エネビデオ処理のための多目的ベイズ最適化の活用
- Authors: Benjamin Civjan, Bo Chen, Ruixiao Zhang, Klara Nahrstedt,
- Abstract要約: 資源制約のある環境でのリアルタイム分析のためのビデオ処理は、エネルギー消費とビデオセマンティクスのバランスをとる上での課題である。
本稿では,ディープラーニング推論に不可欠なビデオ機能を保持しつつ,エッジ上でのエネルギー消費を最小限に抑えるために,処理を動的に最適化するシステムを提案する。
実験結果から,高解析性能を維持しつつ,ビデオ処理エネルギー使用量を削減するシステムの有効性が示された。
- 参考スコア（独自算出の注目度）: 8.957154727556697
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Video processing for real-time analytics in resource-constrained environments presents a significant challenge in balancing energy consumption and video semantics. This paper addresses the problem of energy-efficient video processing by proposing a system that dynamically optimizes processing configurations to minimize energy usage on the edge, while preserving essential video features for deep learning inference. We first gather an extensive offline profile of various configurations consisting of device CPU frequencies, frame filtering features, difference thresholds, and video bitrates, to establish apriori knowledge of their impact on energy consumption and inference accuracy. Leveraging this insight, we introduce an online system that employs multi-objective Bayesian optimization to intelligently explore and adapt configurations in real time. Our approach continuously refines processing settings to meet a target inference accuracy with minimal edge device energy expenditure. Experimental results demonstrate the system's effectiveness in reducing video processing energy use while maintaining high analytical performance, offering a practical solution for smart devices and edge computing applications.
- Abstract（参考訳）: 資源制約のある環境でのリアルタイム分析のためのビデオ処理は、エネルギー消費とビデオセマンティクスのバランスをとる上で大きな課題となる。
本稿では,処理構成を動的に最適化し,エッジ上でのエネルギー使用量を最小限に抑えるとともに,深層学習推論に不可欠なビデオ機能を保持するシステムを提案することで,省エネビデオ処理の課題に対処する。
まず、デバイスCPU周波数、フレームフィルタリング機能、差分閾値、ビデオビットレートからなる様々な構成の広範なオフラインプロファイルを収集し、それらがエネルギー消費と推定精度に与える影響について知る。
この知見を生かして、多目的ベイズ最適化を用いて、構成をインテリジェントに探索し、リアルタイムで適応するオンラインシステムを導入する。
提案手法は,最小限のエッジデバイスエネルギー消費量で目標推定精度を満たすための処理設定を継続的に改良する。
実験結果から,高解析性能を維持しつつ,映像処理の省エネ効果を実証し,スマートデバイスやエッジコンピューティングアプリケーションに実用的なソリューションを提供する。
関連論文リスト
- Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。
本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
論文 参考訳（メタデータ） (2025-05-06T06:46:19Z) - Energy Considerations of Large Language Model Inference and Efficiency Optimizations [28.55549828393871]
大規模言語モデル(LLM)の規模と採用が拡大するにつれて、その計算と環境コストは上昇し続けている。
多様なNLPおよびAIワークロードにまたがる共通推論効率最適化のエネルギー含意を系統的に分析する。
本研究により, 推定効率最適化の適切な適用により, 最適化されていないベースラインから最大73%のエネルギー使用量を削減できることが判明した。
論文 参考訳（メタデータ） (2025-04-24T15:45:05Z) - Mondrian: On-Device High-Performance Video Analytics with Compressive
Packed Inference [7.624476059109304]
Mondrianは、高解像度ビデオストリーム上で高性能なオブジェクト検出を可能にするエッジシステムである。
我々は,1ピクセルあたりの処理コストを最小限に抑えるために,新しい圧縮パッケージ推論を考案した。
論文 参考訳（メタデータ） (2024-03-12T12:35:12Z) - PolyThrottle: Energy-efficient Neural Network Inference on Edge Devices [10.01838504586422]
ML駆動システムの連続運転は、推論中にかなりのエネルギー消費をもたらす。
本稿では,GPU,メモリ,CPU周波数などのデバイス上のハードウェア要素の構成が,通常の微調整によるNN推論のエネルギー消費に与える影響について検討する。
本稿では,Constrained Bayesian Optimization を用いて,各ハードウェアコンポーネント間の構成をエネルギー保存的に最適化するPolyThrottleを提案する。
論文 参考訳（メタデータ） (2023-10-30T20:19:41Z) - Data-Model-Circuit Tri-Design for Ultra-Light Video Intelligence on Edge
Devices [90.30316433184414]
本稿では,HDビデオストリーム上での高スループット,低コスト,高精度MOTのためのデータモデル・ハードウエア・トリデザイン・フレームワークを提案する。
現状のMOTベースラインと比較して、我々の三設計アプローチは12.5倍の遅延低減、20.9倍のフレームレート改善、5.83倍の低消費電力、9.78倍のエネルギー効率を実現でき、精度は低下しない。
論文 参考訳（メタデータ） (2022-10-16T16:21:40Z) - Efficient Heterogeneous Video Segmentation at the Edge [2.4378845585726903]
ヘテロジニアス計算を利用したリソース制限エッジデバイスのための効率的なビデオセグメンテーションシステムを提案する。
具体的には、ニューラルネットワークの仕様を多次元にわたって探索することで、ネットワークモデルを設計する。
我々は、CPU、GPU、NPUにまたがるシステムの異種データフローを分析し、最適化する。
論文 参考訳（メタデータ） (2022-08-24T17:01:09Z) - Dynamic Network Quantization for Efficient Video Inference [60.109250720206425]
本稿では,入力に条件付けされたフレーム毎に最適な精度を選択し,効率的な映像認識を実現する動的ネットワーク量子化フレームワークを提案する。
我々は、競争性能と資源効率の両方を達成するために、標準的なバックプロパゲーションと損失を使って、両方のネットワークを効果的に訓練する。
論文 参考訳（メタデータ） (2021-08-23T20:23:57Z) - A Reinforcement-Learning-Based Energy-Efficient Framework for Multi-Task
Video Analytics Pipeline [16.72264118199915]
ビデオ分析パイプラインは、高いデータレートと複雑な推論アルゴリズムに依存するため、エネルギー集約的である。
マルチタスクビデオ解析パイプラインのエネルギー使用を最小限に抑える適応解像度最適化フレームワークを提案する。
私たちのフレームワークは、YouTube-VISデータセットで同様の精度の全てのベースラインメソッドを大幅に上回りました。
論文 参考訳（メタデータ） (2021-04-09T15:44:06Z) - Low-Fidelity End-to-End Video Encoder Pre-training for Temporal Action
Localization [96.73647162960842]
TALはビデオ理解の基本的な課題だが、難しい課題だ。
既存のtalメソッドは、アクション分類の監督を通じてビデオエンコーダを事前トレーニングする。
本稿では,ローファイダリティ・エンド・ツー・エンド(LoFi)ビデオエンコーダの事前学習手法を提案する。
論文 参考訳（メタデータ） (2021-03-28T22:18:14Z)
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。