論文の概要: Dot-Flik: A Scalable Edge AI Architecture for Distributed Insect Monitoring
- arxiv url: http://arxiv.org/abs/2606.26121v1
- Date: Wed, 27 May 2026 10:10:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-28 23:46:52.335
- Title: Dot-Flik: A Scalable Edge AI Architecture for Distributed Insect Monitoring
- Title（参考訳）: Dot-Flik:分散昆虫モニタリングのためのスケーラブルなエッジAIアーキテクチャ
- Authors: Mattia Consani, Denisa-Andreea Constantinescu, Åse Håtveit, Titus Venverloo, Fabio Duarte, Carlo Ratti, David Atienza,
- Abstract要約: 本研究では,昆虫の活動を保ちつつ,エッジにおける無関係なフレームを除去する動きインフォームドフレームフィルタリングアルゴリズムを提案する。
第2に、AI分類からデータ取得を分離する分散階層型IoTアーキテクチャを導入します。
第3に、低コストのコモディティハードウェア上での実際の屋外展開を通して、完全なシステムを検証する。
- 参考スコア（独自算出の注目度）: 5.357664591834458
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Global insect population declines necessitate scalable, continuous monitoring systems, yet existing vision-based solutions remain constrained by high hardware costs, energy demands, and reliance on centralized processing or cloud connectivity. This article presents three contributions to address these limitations. First, we propose a motion-informed frame filtering algorithm based on temporal differencing, gamma-corrected motion amplification, and block-based motion density analysis that discards irrelevant frames at the edge while preserving insect activity, without requiring deep learning inference on the sensing device. Second, we introduce a distributed, hierarchical IoT architecture that decouples data acquisition from AI classification through this edge-level preprocessing, projecting fractional scaling of central processing requirements and significantly increasing monitoring coverage compared to monolithic single-stream approaches. Third, we validate the complete system through real-world outdoor deployments on low-cost commodity hardware along four axes: real-time performance, network scalability, hardware cost, and energy efficiency under varying wind conditions. Results demonstrate 60-80% frame reduction under light-wind conditions, sustained real-time 30 FPS operation with 12.8 ms of computational headroom, up to 22.6% energy savings, and support for 5-6 concurrent edge streams per central node. These findings establish a practical foundation for dense, low-cost biodiversity monitoring networks in urban environments.
- Abstract（参考訳）: 世界の昆虫人口は、スケーラブルで継続的な監視システムを必要とするが、既存のビジョンベースのソリューションは、高いハードウェアコスト、エネルギー需要、集中処理やクラウド接続への依存によって制約されている。
この記事では、これらの制限に対処するための3つのコントリビューションを示す。
まず, 時間差分, ガンマ補正された動作増幅, および, 検出装置の深層学習推論を必要とせず, 昆虫活動を保ちながら, エッジで無関係なフレームを破棄するブロックベース動作密度解析に基づく動きインフォームドフレームフィルタリングアルゴリズムを提案する。
第2に、このエッジレベルの前処理を通じて、AI分類からデータ取得を分離する分散階層型IoTアーキテクチャを導入し、中央処理要求の分断スケーリングを予測し、モノリシックなシングルストリームアプローチと比較して、監視カバレッジを著しく増加させます。
第3に, リアルタイム性能, ネットワークスケーラビリティ, ハードウェアコスト, 各種風環境下でのエネルギー効率の4つの軸に沿って, 低コストのコモディティハードウェア上での実際の屋外展開を通じて, システム全体を検証した。
その結果、光風条件下での60-80%のフレーム削減、12.8ミリ秒の計算ヘッドルームによる30FPSのリアルタイム動作、22.6%の省エネ、中央ノード毎の5-6の同時エッジストリームのサポートなどが示されている。
これらの知見は,都市環境における高密度で低コストな生物多様性監視ネットワークの実践的基盤を確立している。
関連論文リスト
- Robust Cross-Domain WiFi Fall Detection via Physics-Driven Attention-Enhanced Transformers [64.35403680946182]
WiFiチャンネル状態情報(CSI)を利用したデバイスフリーの転倒検出が,高齢者の健康モニタリングのための有望なソリューションとして浮上している。
既存のディープラーニングアプローチでは、目に見えない環境にデプロイされた場合、パフォーマンスが大幅に低下する。
本稿では,新しいCNN-Transformerハイブリッドアーキテクチャを特徴とする,堅牢で汎用的なフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-23T03:28:12Z) - Ge$^\text{2}$mS-T: Multi-Dimensional Grouping for Ultra-High Energy Efficiency in Spiking Transformer [84.8831358775386]
スパイキングニューラルネットワーク(SNN)は、ニューラルネットワーク(ANN)よりも優れたエネルギー効率を提供する
ANN-SNN ConversionやSpatial-Temporal Backpropagation (STBP)といった既存のパラダイムは、固有の制限に悩まされている。
Ge$text2$mS-Tを提案する。これは時間的・空間的・ネットワーク的構造次元にまたがるグループ計算を実装した新しいアーキテクチャである。
論文 参考訳（メタデータ） (2026-04-10T02:58:46Z) - SGR-OCC: Evolving Monocular Priors for Embodied 3D Occupancy Prediction via Soft-Gating Lifting and Semantic-Adaptive Geometric Refinement [9.891265334631889]
3Dセマンティック占有予測は、具現化されたAIの基盤である。
我々は,SGR-OCC(Soft-Gating and Ray-Refinement Occupancy)を提案する。
局所予測タスクでは、SGR-OCCは58.55$%の完了IoUと49.89$%のセマンティックmIoUを達成し、それぞれ3.65$%と3.69$%の前のベストメソッドであるEmbodiedOcc++を上回っている。
論文 参考訳（メタデータ） (2026-03-14T18:45:03Z) - A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。
DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。
本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-23T16:12:02Z) - Edge-Based Predictive Data Reduction for Smart Agriculture: A Lightweight Approach to Efficient IoT Communication [1.2249546377051437]
IoTデバイスの急速な成長は、処理のためにクラウドサーバへの送信を必要とする膨大なセンサデータを生み出しました。
これは、帯域幅が制限されたリソース制約とリモート環境において特に問題となる。
本稿では,エッジコンピューティング環境向けに設計され,シミュレーションにより検証された解析予測アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-11-24T13:37:33Z) - ResidualViT for Efficient Temporally Dense Video Encoding [66.57779133786131]
我々は,時間的に密集したタスクに対する計算機能のコスト削減に3つの貢献をしている。
まず、ビデオの時間的冗長性を活用するビジョントランスフォーマー(ViT)アーキテクチャ、ResidualViTを紹介する。
第2に,原基礎モデルのフレームレベルの特徴を近似する軽量蒸留方式を提案する。
論文 参考訳（メタデータ） (2025-09-16T17:12:23Z) - Real-Time Agile Software Management for Edge and Fog Computing Based Smart City Infrastructure [0.4772368796656325]
本稿では、ROOFフレームワークを利用して、中間フォグおよび周辺エッジネットワーク層での分散コンピューティングを行い、その起点付近のデータを処理することでレイテンシを低減する。
ROOFは、冗長性を避けるためにフォグキャッシュ、省エネのための超低電力無線伝送、効率のためのAI駆動のリソース割り当てを備えている。
ブーバネスワル、バルセロナ、コペンハーゲンの事例研究は、交通システムと環境モニタリングにおけるROOFの使用を検証する。
論文 参考訳（メタデータ） (2025-06-14T20:00:53Z) - Dynamic Frame Interpolation in Wavelet Domain [57.25341639095404]
ビデオフレームは、より流動的な視覚体験のためにフレームレートを上げることができる、重要な低レベルな計算ビジョンタスクである。
既存の手法は、高度なモーションモデルと合成ネットワークを利用することで大きな成功を収めた。
WaveletVFIは、同様の精度を維持しながら最大40%の計算を削減できるため、他の最先端技術に対してより効率的に処理できる。
論文 参考訳（メタデータ） (2023-09-07T06:41:15Z) - HeteroEdge: Addressing Asymmetry in Heterogeneous Collaborative
Autonomous Systems [1.274065448486689]
2台の無人地上車両(UGV)と2台のNVIDIA Jetsonデバイスからなるテストベッドの自己適応最適化フレームワークを提案する。
このフレームワークは、異種ノード上の複数のタスク(ストレージ、処理、計算、送信、推論)を同時に効率的に管理する。
入力された画像フレームの圧縮とマスキング、類似したフレームの識別、および最適化のための境界条件を得るためにプロファイリング装置を含む。
論文 参考訳（メタデータ） (2023-05-05T02:43:16Z) - Unsupervised Clustering of Time Series Signals using Neuromorphic
Energy-Efficient Temporal Neural Networks [1.2928408516950525]
監視されていない時系列クラスタリングは、多様な産業用途で困難な問題です。
時間的ニューラルネットワークに基づく非監視時系列クラスタリングに対するニューロモーフィックアプローチを提案する。
論文 参考訳（メタデータ） (2021-02-18T07:47:43Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z)
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。