論文の概要: YUTELA: A Scalable Edge Cloud AIoT System for Multi-Site Video Anomaly Detection with Scene Specific Adaptation

• arxiv url: http://arxiv.org/abs/2610.26468v1
• Date: Mon, 19 Oct 2026 14:16:41 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-21 06:57:03.843897
• Title: YUTELA: A Scalable Edge Cloud AIoT System for Multi-Site Video Anomaly Detection with Scene Specific Adaptation
• Title（参考訳）: YUTELA:シーン特異的適応によるマルチサイトビデオ異常検出のためのスケーラブルエッジクラウドAIoTシステム
• Abstract要約: 本研究では,エッジサーバ-クラウドAシステムであるemphYUTELAを提案する。 YUTELAはワークステーションベースの現場処理をNVIDIA Jetsonエッジデバイスに置き換え、マルチカメラパイプラインをランタイムにする。 カメラ毎に別々の異常モデルを維持しており、最近疑似正規データが収集されたときに、集中型GPUサーバで再トレーニングされる。
• 参考スコア（独自算出の注目度）: 6.286933850088591
• License:
• Abstract: Building upon our previous Ancilia framework, this work presents \emph{YUTELA}, an edge--server--cloud AIoT system for long-term, multi-site video anomaly detection. YUTELA replaces workstation-based on-site processing with NVIDIA Jetson Thor edge devices and redesigns the multi-camera pipeline through camera batching and redistribution, shared memory, reduced inter-stage data transfer, task integration, and TensorRT-accelerated inference. It maintains a separate anomaly model per camera, retrained on a centralized GPU server once enough recent pseudo-normal data are collected, with updated weights returned to the edge. With eight cameras, TensorRT increases throughput from 14.17 to 29.94 FPS under normal density, and the optimized edge node exceeds the throughput of the workstation-based Ancilia system in seven of nine workload settings, reaching up to 2.03 times its throughput at extreme density. This gain comes at the cost of higher latency under lighter loads with four or eight streams. YUTELA was then operated continuously for 170 hours at four public sites using 31 existing CCTV cameras. The deployment shows that runtime load is driven by scene activity and input frame rate rather than by camera count, and that retraining frequency varies by about three times across sites. The 101 automatically triggered training events occupied only about 6.6\% of a single GPU, indicating that one global node can support adaptation for tens of sites. Mean end-to-end alert latency ranged from 6.8 to 15.4~s depending on site traffic and anomaly type. These results show that YUTELA enables practical multi-camera edge processing with low-cost, camera-specific adaptation across heterogeneous sites.
• Abstract（参考訳）: これまでのAnciliaフレームワークをベースとして,エッジサーバ-クラウド AIoT システムである \emph{YUTELA} を紹介した。 YUTELAはワークステーションベースのオンサイト処理をNVIDIA Jetson Thorエッジデバイスに置き換え、カメラバッチと再配布、共有メモリ、ステージ間データ転送の削減、タスク統合、TensorRT加速推論を通じて、マルチカメラパイプラインを再設計する。 カメラ毎の別個の異常モデルを維持しており、最近擬似正規データが収集された時点で、集中型GPUサーバで再トレーニングされ、更新された重みがエッジに返される。 8台のカメラで、TensorRTは通常の密度で14.17FPSから29.94FPSにスループットを向上し、最適化されたエッジノードは、9つのワークロード設定のうち7つのワークステーションベースのAnciliaシステムのスループットを超える。 この増加は、より軽量なロードと4ないし8ストリームでのレイテンシの上昇によるものだ。 YUTELAは31台の既存のCCTVカメラを使用して4つの公共施設で170時間連続して運用された。 デプロイメントでは、実行時の負荷は、カメラカウントではなくシーンアクティビティと入力フレームレートによって駆動され、再トレーニング頻度はサイト全体で約3倍に変化する。 101は1つのGPUの6.6\%しか占めていないトレーニングイベントを自動的に起動し、1つのグローバルノードが数十のサイトへの適応をサポートすることを示す。 終端アラートのレイテンシは、サイトトラフィックと異常タイプによって6.8から15.4まで変化した。 これらの結果から,YUTELAは,不均一な部位にまたがって,低コストでカメラ固有の適応が可能な,実用的なマルチカメラエッジ処理を実現することができることがわかった。

関連論文リスト

• EdgeVLN: Runtime-Aware Deployment Ready Quantized Vision Language Navigation Model [0.1259953341639576]
  視覚言語ナビゲーション(VLN)モデルはよく機能するが、ターゲットは計算量の多いプラットフォームである。 ランタイム対応でデプロイ対応の量子化VLNモデルであるEdgeVLNを紹介する。 NVIDIA Jetson Orin NX 16GB上でのシミュレーション,遅延,エネルギー,常駐メモリにおける成功率(SR)を測定した。
  論文  参考訳（メタデータ） (2026-09-28T16:32:09Z)
• Video DeltaNet: A Video-Native Hybrid Attention for Livestream Video Generation [52.14962478768438]
  Video DeltaNet (VDN) は、Softmaxのローカルな注意と、長距離コンテキストビデオのための双方向リニアメモリを組み合わせたものだ。 We instantiate VDN on MiniMax H3, using the hybrid to video-to- video interaction while keeping Softmax。 8段階の蒸留と最適化されたSG供給スタックにより、VDN-H3は14.3秒、768pのビデオを6.70秒でDiTデノイングする。
  論文  参考訳（メタデータ） (2026-09-17T17:33:15Z)
• Towards Practical Precision Agriculture: Real-Time Fruit Detection and Video Analytics on Embedded Edge Hardware [0.815557531820863]
  本研究では,NVIDIA Jetson Orin Super上で実時間果物の検出,追跡,計数を行うためのエンドツーエンドフレームワークを提案する。 軽量のYOLO26s検出器は、リンゴ、マンゴー、ブルーベリー、イチゴを表す4つの公開データセットで独立に訓練されている。 APPLE MOTSは、果肉の恒常性を持った果樹配列を提供するため、時間的ビデオ解析に使用される。
  論文  参考訳（メタデータ） (2026-09-11T21:32:02Z)
• Self-Calibrating Dense Displacement Fields for Reliable Co-Registration of Large Optical Satellite Imagery [4.730120849611304]
  共同登録は、光学衛星画像の時間・マルチセンサー利用のほぼすべての基盤となる。 SCDF, トレーニング不要なGPUフリーな推定器で, 動きモデル自体が画素あたりの高密度変位場である。 実際のSentinel Landsat-8/9とNAIP画像から構築された584基の地上トラスペアでは、SCDFは故障のない全てのペアを登録する。
  論文  参考訳（メタデータ） (2026-08-23T08:50:59Z)
• Jetson-ORB-SLAM3: Accuracy-Preserving GPU Implementation for Edge Computing Devices [0.09558392439655011]
  NVIDIA Jetson Orin Nano用のORB-SLAM3の精度保存GPU実装を提案する。 単分子慣性モードでは、システムは11個のEuRoC配列で32FPSの平均を維持できる。
  論文  参考訳（メタデータ） (2026-08-18T15:07:37Z)
• LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
  視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。 しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。 本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
  論文  参考訳（メタデータ） (2026-06-26T09:11:59Z)
• OrthoTrack: Continuous 6-DoF UAV Trajectory Estimation Anchored in Public Orthophotos [76.81099730054356]
  トレーニング不要なOrthoTrackを提案する。このシステムは6-DoFトラジェクトリの連続を,事前の地図として利用可能なオプティカルフォトとサーフェスモデルのみを用いて推定する。 movingDroneと現実世界のベンチマークでは、OrthoTrackは1つのGPUでリアルタイムに実行される。オラクルのスケールとアライメントを受ける場合でも、すべてのベースラインを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2026-06-24T00:05:01Z)
• Fully Distributed Multi-View 3D Tracking in Real-Time [5.7805207139640915]
  本稿では,リアルタイム多視点3Dトラッキングのための完全分散フレームワークMV3DTを提案する。 各カメラノードは、モノクロ3次元認識、分散多視点アソシエーション、協調融合からなる軽量なモジュールパイプラインを実行する。 MV3DTは、カメラのキャリブレーションをゼロショットで設定し、シーン固有の学習を必要とせず、新しい環境で直接デプロイできる。
  論文  参考訳（メタデータ） (2026-06-11T09:51:55Z)
• Pushing the Limits of Asynchronous Graph-based Object Detection with Event Cameras [62.70541164894224]
  低計算を維持しながら、そのようなモデルの深さと複雑さを拡大できるアーキテクチャ選択をいくつか導入する。 我々の手法は、密度の高いグラフニューラルネットワークよりも3.7倍高速に動作し、前方通過はわずか8.4msである。
  論文  参考訳（メタデータ） (2022-11-22T15:14:20Z)
• Spatiotemporal Contrastive Video Representation Learning [87.56145031149869]
  ラベルのないビデオから視覚的表現を学習するための,自己指導型コントラスト映像表現学習(CVRL)法を提案する。 我々の表現は、コントラスト時間的損失を用いて学習され、同じ短いビデオから2つの強化されたクリップが埋め込み空間にまとめられる。 本研究では,ビデオ自己教師型学習におけるデータ向上の要因について検討し,空間的情報と時間的情報の両方が重要であることを明らかにする。
  論文  参考訳（メタデータ） (2020-08-09T19:58:45Z)
• Fast Video Object Segmentation With Temporal Aggregation Network and Dynamic Template Matching [67.02962970820505]
  ビデオオブジェクト(VOS)に「トラッキング・バイ・検出」を導入する。 本稿では,時間的アグリゲーションネットワークと動的時間進化テンプレートマッチング機構を提案する。 我々は,DAVISベンチマークで1フレームあたり0.14秒,J&Fで75.9%の速度で,複雑なベルとホイッスルを伴わずに,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-07-11T05:44:16Z)

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。