論文の概要: EdgeCodec: Onboard Lightweight High Fidelity Neural Compressor with Residual Vector Quantization
- arxiv url: http://arxiv.org/abs/2507.06040v1
- Date: Tue, 08 Jul 2025 14:41:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-09 16:34:38.171659
- Title: EdgeCodec: Onboard Lightweight High Fidelity Neural Compressor with Residual Vector Quantization
- Title（参考訳）: EdgeCodec: 残留ベクトル量子化による軽量高忠実性ニューラル圧縮機
- Authors: Benjamin Hodo, Tommaso Polonelli, Amirhossein Moallemi, Luca Benini, Michele Magno,
- Abstract要約: We present EdgeCodec, a end-to-end neural compressor for barometric data collected from Wind turbine blades。
圧縮速度は2'560:1から10'240:1の間であり、復元誤差は3%以下である。
最高圧縮モードでは、EdgeCodecは無線データ伝送のエネルギー消費を最大2.9倍削減する。
- 参考スコア（独自算出の注目度）: 11.123790767105195
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present EdgeCodec, an end-to-end neural compressor for barometric data collected from wind turbine blades. EdgeCodec leverages a heavily asymmetric autoencoder architecture, trained with a discriminator and enhanced by a Residual Vector Quantizer to maximize compression efficiency. It achieves compression rates between 2'560:1 and 10'240:1 while maintaining a reconstruction error below 3%, and operates in real time on the GAP9 microcontroller with bitrates ranging from 11.25 to 45 bits per second. Bitrates can be selected on a sample-by-sample basis, enabling on-the-fly adaptation to varying network conditions. In its highest compression mode, EdgeCodec reduces the energy consumption of wireless data transmission by up to 2.9x, significantly extending the operational lifetime of deployed sensor units.
- Abstract（参考訳）: We present EdgeCodec, a end-to-end neural compressor for barometric data collected from Wind turbine blades。
EdgeCodecは、非対称なオートエンコーダアーキテクチャを活用し、識別器で訓練され、Residual Vector Quantizerによって強化され、圧縮効率を最大化する。
圧縮速度は2'560:1から10'240:1の間であり、復元誤差は3%以下であり、毎秒11.25ビットから45ビットのビットレートを持つGAP9マイクロコントローラでリアルタイムに動作する。
ビットレートはサンプル単位で選択でき、様々なネットワーク条件にオンザフライで適応できる。
最高圧縮モードでは、EdgeCodecは無線データ伝送のエネルギー消費を最大2.9倍に削減し、展開されたセンサーユニットの運用寿命を大幅に延長する。
関連論文リスト
- Reducing Storage of Pretrained Neural Networks by Rate-Constrained Quantization and Entropy Coding [56.066799081747845]
成長を続けるニューラルネットワークのサイズは、リソースに制約のあるデバイスに深刻な課題をもたらす。
本稿では,レートアウェア量子化とエントロピー符号化を組み合わせた学習後圧縮フレームワークを提案する。
この方法では非常に高速な復号化が可能であり、任意の量子化グリッドと互換性がある。
論文 参考訳（メタデータ） (2025-05-24T15:52:49Z) - Neural Signal Compression using RAMAN tinyML Accelerator for BCI Applications [2.5655109786707717]
大規模な脳記録は、オフライン分析と復号のために無線で送信しなければならない膨大な量のデータを生成する。
本稿では,局所場電位(LFP)を圧縮するための圧縮比を最大150とする畳み込みオートエンコーダ(CAE)を用いたニューラル信号圧縮手法を提案する。
RAMANからの圧縮されたニューラルデータは、それぞれ22.6dBと27.4dBの信号対雑音比(SNDR)とR2スコアの0.81と0.94でオフラインに再構成され、2つのサルニューラル記録で評価される。
論文 参考訳（メタデータ） (2025-04-09T16:09:00Z) - Variator: Accelerating Pre-trained Models with Plug-and-Play Compression
Modules [111.98205411431402]
Variatorは、プラグアンドプレイ圧縮プラグインによる計算効率を向上させるパラメータ効率加速法である。
Variatorはパラメータを0.9%追加するだけで計算コストを53%削減でき、性能低下は2%未満である。
論文 参考訳（メタデータ） (2023-10-24T11:00:07Z) - Pruned Lightweight Encoders for Computer Vision [0.0]
ASTC と JPEG XS の符号化構成は、低レイテンシを確保するために、近接センサエッジデバイスで使用できることを示す。
ASTC圧縮によるmIoU(mIoU)劣化の分類精度とセグメンテーション平均値は,それぞれ4.9-5.0ポイント(pp)と4.4-4.0ppに低下した。
符号化速度の面では、ASTCエンコーダの実装はJPEGよりも2.3倍高速である。
論文 参考訳（メタデータ） (2022-11-23T17:11:48Z) - DeepCompress: Efficient Point Cloud Geometry Compression [1.808877001896346]
本稿では,ポイントクラウド圧縮のためのより効率的なディープラーニングベースのエンコーダアーキテクチャを提案する。
CENIC(Efficient Neural Image Compression)から学習した活性化関数を組み込むことで,効率と性能が劇的に向上することを示す。
提案手法は,BjontegardデルタレートとPSNR値において,ベースラインアプローチよりも小さなマージンで優れていた。
論文 参考訳（メタデータ） (2021-06-02T23:18:11Z) - Towards Compact CNNs via Collaborative Compression [166.86915086497433]
チャネルプルーニングとテンソル分解を結合してCNNモデルを圧縮する協調圧縮方式を提案する。
52.9%のFLOPを削減し、ResNet-50で48.4%のパラメータを削除しました。
論文 参考訳（メタデータ） (2021-05-24T12:07:38Z) - Non-Autoregressive Transformer ASR with CTC-Enhanced Decoder Input [54.82369261350497]
CTCモジュールの予測を精算することでターゲットシーケンスを生成するCTC拡張NARトランスを提案する。
実験結果から,Aishell-1およびAishell-2データセットでは,Aishell-1およびAishell-2データセットの絶対CER劣化が0。
論文 参考訳（メタデータ） (2020-10-28T15:00:09Z) - OctSqueeze: Octree-Structured Entropy Model for LiDAR Compression [77.8842824702423]
本稿では,LiDAR点雲のメモリフットプリントを削減するための新しいディープ圧縮アルゴリズムを提案する。
本手法は,メモリフットプリントを低減するために,点間の間隔と構造的冗長性を利用する。
我々のアルゴリズムは、自動運転車などのアプリケーションにおいて、LiDARポイントのオンボードおよびオフボードストレージを減らすために使用できる。
論文 参考訳（メタデータ） (2020-05-14T17:48:49Z)
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。