論文の概要: Fast Re-Trainable Attention Autoencoder for Liquid Sensor Anomaly Detection at the Edge

• arxiv url: http://arxiv.org/abs/2507.03995v1
• Date: Sat, 05 Jul 2025 10:51:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.964364
• Title: Fast Re-Trainable Attention Autoencoder for Liquid Sensor Anomaly Detection at the Edge
• Title（参考訳）: エッジにおける液体センサ異常検出のための高速再追従型アテンションオートエンコーダ
• Authors: Seongyun Choi,
• Abstract要約: 化学・生物学実験室におけるセンサ異常を検出するために, 軽量で, エッジ展開可能なパイプラインを提案する。 カスタムPCBは7つのセンサーチャネルをキャプチャし、それらをローカルネットワークにストリームする。 アテンションベースのワンクラスオートエンコーダは、通常のデータの30分間のトレーニング後に使用可能な状態に達する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A lightweight, edge-deployable pipeline is proposed for detecting sensor anomalies in chemistry and biology laboratories. A custom PCB captures seven sensor channels and streams them over the local network. An Attention-based One-Class Autoencoder reaches a usable state after training on only thirty minutes of normal data. Despite the small data set, the model already attains an F1 score of 0.72, a precision of 0.89, and a recall of 0.61 when tested on synthetic micro-anomalies. The trained network is converted into a TensorFlow-Lite binary of about 31 kB and runs on an Advantech ARK-1221L, a fan-less x86 edge device without AVX instructions; end-to-end inference latency stays below two seconds. The entire collect-train-deploy workflow finishes within one hour, which demonstrates that the pipeline adapts quickly whenever a new liquid or sensor is introduced.
• Abstract（参考訳）: 化学・生物学実験室におけるセンサ異常を検出するために, 軽量で, エッジ展開可能なパイプラインを提案する。 カスタムPCBは7つのセンサーチャネルをキャプチャし、それらをローカルネットワークにストリームする。 アテンションベースのワンクラスオートエンコーダは、通常のデータの30分間のトレーニング後に使用可能な状態に達する。 小さなデータセットにもかかわらず、このモデルは既にF1スコアが0.72、精度が0.89、リコールが0.61に達している。 トレーニングされたネットワークは、約31kBのTensorFlow-Liteバイナリに変換され、AVX命令のないファンレスx86エッジデバイスであるAdvantech ARK-1221L上で動作する。 収集-訓練-デプロイワークフロー全体が1時間以内に終了し、新しい液体やセンサーが導入されるたびにパイプラインが迅速に適応することを示した。

関連論文リスト

• Tiny-HR: Towards an interpretable machine learning pipeline for heart rate estimation on edge devices [6.59529078336196]
  本稿では,低消費電力エッジデバイスで取得した圧力センサデータから心拍数を抽出する機械学習(ML)パイプラインの概念実証を行う。 このパイプラインは、アップサンプラーニューラルネットワーク、信号品質分類器、効率的かつ正確な心拍数推定に最適化された1D畳み込みニューラルネットワークで構成されている。 その結果,提案したMLパイプラインとハイブリッドパイプラインは,従来のアルゴリズムに比べて82%と28%のエネルギーと時間を削減できることがわかった。
  論文  参考訳（メタデータ） (2022-08-16T22:38:10Z)
• Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
  視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。 本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。 DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
  論文  参考訳（メタデータ） (2022-06-14T13:22:19Z)
• Real-Time Wearable Gait Phase Segmentation For Running And Walking [1.8525902437585904]
  畳み込みニューラルネットワーク(CNN)に基づく分類タスクは、異なるテストケース下で各フェーズを正確に分類するために、時間遅延や重重なり合ったスライドウインドウの面倒な手作業を必要とする。 本稿では,6軸IMUセンサのみを用いたセグメンテーションに基づく歩行位相検出手法を提案する。 20Hzサンプリングレートデータに基づくモデルでは,揺動時間8.86ms,姿勢時間9.12ms,歩行位相検出96.44%,ストライド検出99.97%の誤差が得られる。
  論文  参考訳（メタデータ） (2022-05-10T04:43:34Z)
• Real Time On Sensor Gait Phase Detection with 0.5KB Deep Learning Model [2.79329087573672]
  畳み込みニューラルネットワークによる歩行位相検出は正確な分類を提供するが、高い計算コストを必要とする。 本稿では、0.5KBのモデルサイズと毎秒67Kの操作しか必要とせず、95.9%の精度で、幅と深さを縮小したU-Netのようなモデルでセグメント化に基づく歩行位相検出を行う。
  論文  参考訳（メタデータ） (2022-05-02T09:59:56Z)
• Low Latency Real-Time Seizure Detection Using Transfer Deep Learning [0.0]
  スカルプ脳波(EEG)信号は本質的に低信号-雑音比を有する。 ディープラーニングを用いた発作検出における最も一般的なアプローチは、この情報を共同でモデル化したり、信号に複数のパスを必要とすることはない。 本稿では,マルチチャネル信号をグレースケール画像に変換すると同時に,転送学習を用いて高い性能を実現する。
  論文  参考訳（メタデータ） (2022-02-16T00:03:00Z)
• Pixel Difference Networks for Efficient Edge Detection [71.03915957914532]
  本稿では,Pixel Difference Network (PiDiNet) という軽量かつ効率的なエッジ検出アーキテクチャを提案する。 BSDS500、NYUD、Multicueのデータセットに関する大規模な実験が、その効果を示すために提供されている。 0.1M未満のパラメータを持つPiDiNetのより高速なバージョンは、200FPSのアーティファクトで同等のパフォーマンスを達成できる。
  論文  参考訳（メタデータ） (2021-08-16T10:42:59Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)
• 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)
• Supervised Neural Networks for RFI Flagging [0.0]
  既存のRFIフラグング技術であるAOFlaggerを基盤として、実測データをフラグングするための2つの機械学習アプローチを実証した。 この方法では、ベースライン毎のブールフラグマップを高い精度で予測することができ、リコールは0.69、精度は0.83、アンF1スコアは0.75である。
  論文  参考訳（メタデータ） (2020-07-29T06:57:36Z)
• Neural Network Virtual Sensors for Fuel Injection Quantities with Provable Performance Specifications [71.1911136637719]
  証明可能な保証が、他の現実世界の設定にどのように自然に適用できるかを示す。 本研究では, 燃料噴射量を一定範囲で最大化するために, 特定の間隔の燃料噴射量を目標にする方法を示す。
  論文  参考訳（メタデータ） (2020-06-30T23:33:17Z)
• Near-chip Dynamic Vision Filtering for Low-Bandwidth Pedestrian Detection [99.94079901071163]
  本稿では、ダイナミックビジョンセンサ(DVS)を用いた歩行者検出のための新しいエンドツーエンドシステムを提案する。 我々は、複数のセンサがローカル処理ユニットにデータを送信し、検出アルゴリズムを実行するアプリケーションをターゲットにしている。 我々の検出器は450ミリ秒毎に検出を行うことができ、総合的なテストF1スコアは83%である。
  論文  参考訳（メタデータ） (2020-04-03T17:36:26Z)

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。