論文の概要: On-Edge Acoustic Continual Anomaly Detection: A Cross-Platform Comparative Study
- arxiv url: http://arxiv.org/abs/2611.15465v1
- Date: Wed, 11 Nov 2026 13:35:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.154386
- Title: On-Edge Acoustic Continual Anomaly Detection: A Cross-Platform Comparative Study
- Title(参考訳): On-Edge Acoustic Continual Anomaly Detection: A Cross-Platform Comparison Study
- Abstract要約: 音響異常検出(AAD)は、機械状態監視の非接触的アプローチとして機能する。
本稿では,2つの組込みプラットフォームにおけるエッジ連続型AADの比較評価を行う。
- 参考スコア(独自算出の注目度): 0.8312466807725922
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Acoustic Anomaly Detection (AAD) serves as a non-contact approach for machine condition monitoring, yet much of the existing research is evaluated offline and rarely addresses embedded hardware constraints or microphone variations under operational drift. This paper presents a comparative evaluation of on-edge continual AAD across two embedded platforms the ESP32-S3 (with an external I2S digital microphone) and the Arduino Nicla Vision (with an onboard Pulse Density Modulation (PDM) microphone) using a shared detection model. The model utilizes a lightweight ShallowNet encoder and contrastive prototype learning to map spectrograms into a 32-dimensional embedding space. Both boards run an identical TensorFlow Lite for Microcontrollers (TFLM) encoder, performing on-device prototype learning updated via an exponential moving average. A cloud pipeline orchestrated through Firebase and MQTT enables remote data collection and retraining. Evaluated via a controlled speaker-replay protocol using standardized Detection and Classification of Acoustic Scenes and Events (DCASE) Challenge Task 2 machine sounds, the ESP32-S3 achieved 82.35% to 95.00% accuracy across five machine types, while the Nicla Vision achieved 79.41% to 95.00%. The two platforms demonstrated comparable performance, confirming that the lightweight prototypical architecture transfers reliably across distinct hardware and sensor tiers.
- Abstract(参考訳): 音響異常検出(AAD)は、機械状態監視の非接触的アプローチとして機能するが、既存の研究の多くはオフラインで評価され、運用中のハードウェア制約やマイクロフォンの変動にほとんど対処しない。
本稿では,ESP32-S3(外部I2Sディジタルマイクロホン)とArduino Nicla Vision(内蔵パルス密度変調(PDM)マイクロホン)の2つの組込みプラットフォームにおけるエッジ連続AADの比較評価を行った。
このモデルは軽量なShallowNetエンコーダと対照的なプロトタイプを用いて、分光図を32次元の埋め込み空間にマッピングする。
どちらのボードも、同じTensorFlow Lite for Microcontrollers(TFLM)エンコーダを実行し、指数的な移動平均を通じてデバイス上でのプロトタイプ学習を実行する。
FirebaseとMQTTを通じてオーケストレーションされたクラウドパイプラインは、リモートデータ収集と再トレーニングを可能にする。
ESP32-S3は5種類の機械で82.35%から95.00%の精度を達成し、ニクラビジョンは79.41%から95.00%の精度を達成した。
2つのプラットフォームは同等の性能を示し、軽量なプロトタイプアーキテクチャが異なるハードウェアとセンサー層間で確実に転送されることを確認した。
関連論文リスト
- Tiny Collaborative Inference for Occlusion-Robust Object Detection [0.5352699766206808]
検索と救助のためのエッジAIノードは、コンピュータビジョンをローカルで実行することがますます期待されている。
ウルトラローエンドハードウェアは、メモリ、計算、デバイス間通信に厳しい制約を課す。
本研究は、MCUバックボーン、YOLOv2検出ヘッド、Lite量子化を組み合わせることで、1MB未満の閉塞物検出装置に対処する。
論文 参考訳(メタデータ) (2026-06-01T21:10:08Z) - WISV: Wireless-Informed Semantic Verification for Distributed Speculative Decoding in Device-Edge LLM Inference [56.297697169678095]
WISV(Wireless-Informed Semantic Verification)は、分散投機的復号化フレームワークである。
WISVは最大60.8%の許容長の増加、37.3%の対話ラウンドの削減、31.4%のエンドツーエンドレイテンシの改善を実現している。
NVIDIA Jetson AGX OrinとA40搭載サーバからなるハードウェアテストベッド上でWISVを検証する。
論文 参考訳(メタデータ) (2026-04-20T01:29:56Z) - Fully Autonomous Z-Score-Based TinyML Anomaly Detection on Resource-Constrained MCUs Using Power Side-Channel Data [0.13750624267664155]
本稿では,低消費電力マイクロコントローラに実装した完全自律型Tiny Machine Learning (TinyML) Z-Scoreによる異常検出システムを提案する。
異常は軽量なZスコアしきい値を用いて検出され、組み込み配置に適した解釈可能かつ計算効率の良い推論が可能である。
結果は、精度1.00の精度とリコール、数十マイクロ秒の推論レイテンシ、メモリフットプリント全体の約3.3KBと63KBのフラッシュの完全な検出性能を示す。
論文 参考訳(メタデータ) (2026-03-28T20:15:50Z) - LEADER: Lightweight End-to-End Attention-Gated Dual Autoencoder for Robust Minutiae Extraction [0.05978532290288763]
本稿では,生の指紋画像を微細な記述子にマッピングするニューラルネットワークであるLEADER(Lightweight End-to-end Attention-gated Dual autoencodER)を紹介する。
新しく作られた"Castle-Moat-Rampart"のグラウンドトルースエンコーディングと、アテンションゲーティング機構を介して相互接続されたデュアルオートコーダ構造を採用している。
NIST SD27データセットでF1スコアが34%高い。
論文 参考訳(メタデータ) (2026-02-17T11:02:28Z) - An Experimental Study of Split-Learning TinyML on Ultra-Low-Power Edge/IoT Nodes [2.624902795082451]
スプリット学習(SL)は、センサ上の推論プロセスの一部を実行し、残りの部分を同伴装置にオフロードする。
本稿では,Espressif ESP32-S3基板上に構築されたTinyML+SLテストベッドについて述べる。
我々は、8ビット整数に量子化され、分割され、オーバー・ザ・エアの更新によってノードに配信されるMobileNetV2画像認識モデルの性能をベンチマークする。
論文 参考訳(メタデータ) (2025-07-22T13:50:12Z) - MLCA-AVSR: Multi-Layer Cross Attention Fusion based Audio-Visual Speech Recognition [62.89464258519723]
異なるレベルのオーディオ/視覚エンコーダに融合することで、各モードの表現を促進する多層クロスアテンション融合に基づくAVSR手法を提案する。
提案手法は第1位システムを超え,新たなSOTA cpCERの29.13%をこのデータセット上に構築する。
論文 参考訳(メタデータ) (2024-01-07T08:59:32Z) - Disentangle Your Dense Object Detector [82.22771433419727]
深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。
しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。
そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
論文 参考訳(メタデータ) (2021-07-07T00:52:16Z) - Near-chip Dynamic Vision Filtering for Low-Bandwidth Pedestrian
Detection [99.94079901071163]
本稿では、ダイナミックビジョンセンサ(DVS)を用いた歩行者検出のための新しいエンドツーエンドシステムを提案する。
我々は、複数のセンサがローカル処理ユニットにデータを送信し、検出アルゴリズムを実行するアプリケーションをターゲットにしている。
我々の検出器は450ミリ秒毎に検出を行うことができ、総合的なテストF1スコアは83%である。
論文 参考訳(メタデータ) (2020-04-03T17:36:26Z)
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。