論文の概要: MAUPITI: On-Device Prototype-Based Learning on a Smart Infrared Sensor
- arxiv url: http://arxiv.org/abs/2608.07192v1
- Date: Fri, 07 Aug 2026 13:07:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.500856
- Title: MAUPITI: On-Device Prototype-Based Learning on a Smart Infrared Sensor
- Title（参考訳）: MAUPITI:スマート赤外線センサを用いたオンデバイスプロトタイプベース学習
- Authors: Beatrice Alessandra Motetti, Tanguy Dugas du Villard, Matteo Risso, Alessio Burrello, Francesco Daghero, Enrico Macii, Massimo Poncino, Marco Castellano, Alfio Basile, Daniele Jahier Pagliari,
- Abstract要約: 低分解能赤外線(IR)アレイセンサは、組み込みシステムにおけるプライバシー保護のための興味深いソリューションである。
16$times$16熱(TMOS)アレイと、低精度SIMD命令で拡張されたRISC-Vマイクロコントローラを統合したスマートマルチピクセルIRセンサについて述べる。
- 参考スコア（独自算出の注目度）: 4.173901102591031
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Low-resolution infrared (IR) array sensors represent an interesting solution for privacy-preserving human sensing in embedded systems. In this letter, we describe a smart multi-pixel IR sensor integrating a 16$\times$16 thermal MOSFET (TMOS) array and a RISC-V microcontroller extended with low-precision SIMD instructions, capable of on-device learning and continual adaptation for pose and gesture recognition tasks under tight memory and power constraints ($<$32kB on-chip memory, $\approx$1.5mW). To avoid the memory overheads of backpropagation and replay buffers, we adopt a prototype-based Nearest Class Mean (NCM) classifier in which a simple Convolutional Neural Network (CNN) encoder is trained and quantized offline, while class prototypes are stored and updated on the device in streaming mode. With experiments on two datasets, we show that this approach yields accuracy on par with a conventional classifier, with negligible latency overheads in both the classification and the prototype update ($<$0.29% considering both phases), effectively enabling online adaptation of the perception framework.
- Abstract（参考訳）: 低分解能赤外線(IR)アレイセンサは、組み込みシステムにおけるプライバシー保護のための興味深いソリューションである。
このレターでは、16$\times$16 thermal MOSFET (TMOS)配列とRISC-Vマイクロコントローラを内蔵したスマートマルチピクセルIRセンサを、低精度SIMD命令で拡張し、オンデバイスで学習し、タイトなメモリと電力制約下でのポーズおよびジェスチャー認識タスクを連続的に適応させることができる($32kB on-chip memory, $\approx$1.5mW)。
バックプロパゲーションとリプレイバッファのメモリオーバーヘッドを回避するために,単純な畳み込みニューラルネットワーク(CNN)エンコーダをトレーニングし,オフラインで量子化するプロトタイプベースのNarest Class Mean(NCM)分類器を採用し,クラスプロトタイプをストリーミングモードでデバイスに格納,更新する。
2つのデータセットに対する実験により,本手法は従来の分類器と同等の精度を示し,分類とプロトタイプ更新の両方において無視可能な遅延オーバーヘッド($0.29%)を伴い,知覚フレームワークのオンライン適応を効果的に実現することを示した。
関連論文リスト
- Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。
相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。
まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
論文 参考訳（メタデータ） (2026-07-13T14:03:26Z) - Multi-modal On-Device Learning for Monocular Depth Estimation on Ultra-low-power MCUs [20.500632071926223]
モノクル深度推定(MDE)は、ウルトラ低消費電力(ULP)IoT(Internet-of-Things)プラットフォームにおける空間認識アプリケーションを実現する上で重要な役割を果たす。
80mWの単眼カメラと8×8ピクセルの奥行きセンサを統合したIoTデバイス上に展開するマルチモーダルオンデバイスラーニング(ODL)技術を提案する。
フィールド内テストでは、初めて、IoTノード上で、ODL for MDEを17.8分で実行し、ルート平均2乗誤差を4.9から0.6mに減らし、3kの自己ラベル付きで行うことができた。
論文 参考訳（メタデータ） (2025-11-26T09:46:09Z) - Accelerating TinyML Inference on Microcontrollers through Approximate Kernels [3.566060656925169]
本研究では、近似計算とソフトウェアカーネル設計を組み合わせることで、マイクロコントローラ上での近似CNNモデルの推定を高速化する。
CIFAR-10データセットでトレーニングされたSTM32-Nucleoボードと2つの人気のあるCNNによる評価は、最先端の正確な推測と比較すると、平均21%のレイテンシ削減が可能であることを示している。
論文 参考訳（メタデータ） (2024-09-25T11:10:33Z) - UnLoc: A Universal Localization Method for Autonomous Vehicles using
LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。
本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文 参考訳（メタデータ） (2023-07-03T04:10:55Z) - TinyAD: Memory-efficient anomaly detection for time series data in
Industrial IoT [43.207210990362825]
我々は,リアルタイムな異常検出のためのCNNのオンボード推論を効率的に行うための,Tiny Anomaly Detection (TinyAD) という新しいフレームワークを提案する。
CNNのピークメモリ消費を低減するため、我々は2つの相補的戦略、 in-place と patch-by-patch のメモリ再スケジューリングについて検討する。
我々のフレームワークは、オーバーヘッドを無視してピークメモリ消費を2～5倍削減できる。
論文 参考訳（メタデータ） (2023-03-07T02:56:15Z) - Toward smart composites: small-scale, untethered prediction and control
for soft sensor/actuator systems [0.6465251961564604]
組込みマイクロコントローラユニット(MCU)を用いたセンサ/アクチュエータシステムのモデル予測制御のためのアルゴリズムとツールについて述べる。
これらのMCUはセンサーやアクチュエータと組み合わせることで、自律的な動作が可能な新しいタイプのスマートコンポジットを可能にする。
オンラインNewton-Raphson最適化は制御入力を最適化する。
論文 参考訳（メタデータ） (2022-05-22T22:19:09Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - One-step regression and classification with crosspoint resistive memory
arrays [62.997667081978825]
高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。
ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。
結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
論文 参考訳（メタデータ） (2020-05-05T08:00:07Z) - ASFD: Automatic and Scalable Face Detector [129.82350993748258]
ASFD(Automatic and Scalable Face Detector)を提案する。
ASFDはニューラルアーキテクチャ検索技術の組み合わせと新たな損失設計に基づいている。
ASFD-D0は120FPS以上で動作し、MobilenetはVGA解像度の画像を撮影しています。
論文 参考訳（メタデータ） (2020-03-25T06:00:47Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳（メタデータ） (2020-03-18T05:56:27Z) - Convolutional-Recurrent Neural Networks on Low-Power Wearable Platforms
for Cardiac Arrhythmia Detection [0.18459705687628122]
マイクロコントローラと低消費電力プロセッサで動作するニューラルネットワークの推論に焦点を当てる。
心不整脈を検出・分類するために既存の畳み込みリカレントニューラルネットワークを適用した。
メモリフットプリントは195.6KB、スループットは33.98MOps/sである。
論文 参考訳（メタデータ） (2020-01-08T10:35:48Z)
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。