抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
スマート都市展開は典型的に数千~数千の監視カメラを持っている。Deepニューラルネットワークによるコンピュータビジョン技術の急速な進歩は,これらのカメラを用いて非自明な解析を行うことを可能にする。オブジェクト再同定として知られているカメラの大規模ネットワークを用いて興味のある移動物体を追跡することは,欠落者の発見や緊急車両の優先順位付けのような能力を持つ都市行政を経験する解析的なものである。著者らは,分散広域追跡のためのフレームワークであるアンベスクを構築した。Anveshakは既存のBigデータとDeep学習フレームワークの欠点を,直感的で構成可能なプログラミングモデルを用いて満たす。応用性能を管理するために,エッジ,霧とクラウド資源を横切る自動交配応用展開とオーチャリングを利用者に提供する。ノブは,数千のカメラに潜在的にスケールする能力を応用する。この提案では,2つの代表的なアプリケーションを設計した。緊急車両のための人の追跡と優先信号の欠落。著者らは,8つのコアと32Gb RAMを有する10のAzure VMのクラウドだけの配置に関する1000台のカメラへの応用スケールを経験的に検証した。代わりに,それは100のエッジ,30の霧,および1つのクラウドVMのシミュレーションされたセットアップに関して500のカメラにスケールされる。また,アプリケーション性能に及ぼすノブの影響を強調し,2つの代表的アプリケーションを設計した。緊急車両のための人の追跡と優先信号の欠落。著者らは,8つのコアと32Gb RAMを有する10のAzure VMのクラウドだけの配置に関する1000台のカメラへの応用スケールを経験的に検証した。代わりに,それは100のエッジ,30の霧,および1つのクラウドVMのシミュレーションされたセットアップに関して500のカメラにスケールされる。また,アプリケーション性能に及ぼすノブの影響を強調した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】