論文の概要: University Building Recognition Dataset in Thailand for the mission-oriented IoT sensor system

• arxiv url: http://arxiv.org/abs/2512.05468v1
• Date: Fri, 05 Dec 2025 06:49:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:56.924785
• Title: University Building Recognition Dataset in Thailand for the mission-oriented IoT sensor system
• Title（参考訳）: ミッション指向型IoTセンサシステムのためのタイ国における大学建築認識データセット
• Authors: Takara Taniguchi, Yudai Ueda, Atsuya Muramatsu, Kohki Hashimoto, Ryo Yagi, Hideya Ochiai, Chaodit Aswakul,
• Abstract要約: 多くの産業部門はエッジデバイスの推論モードで機械学習を使用してきた。 今後の方向性は、半導体性能の改善によりエッジデバイスでのトレーニングが期待できることを示している。 本稿では、エッジ間のデバイス間通信と協調学習のための有望なアプローチとして、無線アドホックフェデレーションラーニング(WAFL)を提案する。
• 参考スコア（独自算出の注目度）: 2.269120470331799
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Many industrial sectors have been using of machine learning at inference mode on edge devices. Future directions show that training on edge devices is promising due to improvements in semiconductor performance. Wireless Ad Hoc Federated Learning (WAFL) has been proposed as a promising approach for collaborative learning with device-to-device communication among edges. In particular, WAFL with Vision Transformer (WAFL-ViT) has been tested on image recognition tasks with the UTokyo Building Recognition Dataset (UTBR). Since WAFL-ViT is a mission-oriented sensor system, it is essential to construct specific datasets by each mission. In our work, we have developed the Chulalongkorn University Building Recognition Dataset (CUBR), which is specialized for Chulalongkorn University as a case study in Thailand. Additionally, our results also demonstrate that training on WAFL scenarios achieves better accuracy than self-training scenarios. Dataset is available in https://github.com/jo2lxq/wafl/.
• Abstract（参考訳）: 多くの産業部門はエッジデバイスの推論モードで機械学習を使用している。 今後の方向性は、半導体性能の改善によりエッジデバイスでのトレーニングが期待できることを示している。 無線アドホックフェデレートラーニング(WAFL)は、エッジ間のデバイス間通信と協調学習のための有望なアプローチとして提案されている。 特に, WAFL with Vision Transformer (WAFL-ViT) は, UTOkyo Building Recognition Dataset (UTBR) を用いて画像認識タスクでテストされている。 WAFL-ViTはミッション指向のセンサーシステムであるため、ミッションごとに特定のデータセットを構築することが不可欠である。 本研究では,タイ国におけるChulalongkorn University Building Recognition Dataset(CUBR)のケーススタディとして,Chulalongkorn Universityに特化している。 さらに, WAFLシナリオのトレーニングは, 自己学習シナリオよりも精度が高いことを示した。 Datasetはhttps://github.com/jo2lxq/wafl/で利用可能だ。

関連論文リスト

• Impact of Latent Space Dimension on IoT Botnet Detection Performance: VAE-Encoder Versus ViT-Encoder [0.0]
  本研究は,列車データセットの潜時ベクトル表現を訓練した場合,潜時次元が異なる深層学習分類器の性能に与える影響について検討する。 CSV IoTボットネットトラフィックデータセットを様々な潜在サイズに投影するために、エンコーダコンポーネントが使用される。
  論文  参考訳（メタデータ） (2025-04-21T06:15:07Z)
• Semi-Supervised Federated Learning for Keyword Spotting [15.044022869136262]
  キーワードスポッティング(KWS)は、モバイルデバイスや仮想アシスタントにおける音声ベースのアプリケーションにおいて重要な側面である。 フェデレートラーニング(FL)の最近の進歩は、機械学習モデルをトレーニングする能力を著しく拡大している。
  論文  参考訳（メタデータ） (2023-05-09T00:46:12Z)
• Berlin V2X: A Machine Learning Dataset from Multiple Vehicles and Radio Access Technologies [56.77079930521082]
  我々は,MLに基づく多種多様な研究への道を開くための詳細な測定キャンペーンを実施してきた。 得られたデータセットは、携帯電話(と2つの異なるオペレーター)とサイドリンク無線アクセス技術の両方のために、様々な都市環境にまたがるGPS位置の無線測定を提供する。 私たちは、MLが克服しなければならない課題と、MLが活用できる機能について、データの初期分析を提供しています。
  論文  参考訳（メタデータ） (2022-12-20T15:26:39Z)
• Enhancing Efficiency in Multidevice Federated Learning through Data Selection [15.8622915432871]
  我々は、デバイス上のデータ選択をエッジに組み込むために、Centaurというフェデレーション学習フレームワークを開発した。 画像データとウェアラブルセンサ時系列を含む5つのニューラルネットアーキテクチャと6つのデータセットをベンチマークする。
  論文  参考訳（メタデータ） (2022-11-08T11:39:17Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• TopFormer: Token Pyramid Transformer for Mobile Semantic Segmentation [111.8342799044698]
  textbfToken textbfPyramid Vision Transtextbfformer (textbfTopFormer)というモバイルフレンドリーなアーキテクチャを提案する。 提案された textbfTopFormer は Tokens を様々なスケールから入力として取り出して,スケール対応のセマンティック機能を生成し,対応するトークンに注入して表現を拡大する。 ADE20Kデータセットでは、TopFormerはMobileNetV3よりもmIoUの精度が5%高く、ARMベースのモバイルデバイスではレイテンシが低い。
  論文  参考訳（メタデータ） (2022-04-12T04:51:42Z)
• GAIA: A Transfer Learning System of Object Detection that Fits Your Needs [136.60609274344893]
  大規模データセットの事前学習によるトランスファーラーニングは,コンピュータビジョンや自然言語処理において,ますます重要な役割を担っている。 本稿では,物体検出の領域に着目し,GAIAと呼ばれる移動学習システムを提案する。 GAIAは、レイテンシ制約や指定されたデータドメインなどの下流要求に適合するモデルを選択する、強力な事前訓練されたウェイトを提供することができる。
  論文  参考訳（メタデータ） (2021-06-21T18:24:20Z)
• Deflating Dataset Bias Using Synthetic Data Augmentation [8.509201763744246]
  自律走行車(AV)の視覚タスクの最先端の手法は、教師あり学習に依存している。 本研究の目的は,視覚タスクにおける実際のデータセットのギャップを埋めるために,ターゲットとなる合成データ拡張の利用を検討することである。 AVに実用的な3つの異なるコンピュータビジョンタスクに関する実証研究は、トレーニングミックスに合成データを持つことは、クロスデータセットの一般化性能を著しく向上させることを一貫して示している。
  論文  参考訳（メタデータ） (2020-04-28T21:56:10Z)

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。