挑戦ネットワークにおけるエッジ支援実時間オブジェクト検出のためのニューラル圧縮とフィルタリング【JST・京大機械翻訳】

Matsubara Yoshitomo; Levorato Marco

プレプリント

J-GLOBAL ID：202202209555800135 整理番号：21P0042087

挑戦ネットワークにおけるエッジ支援実時間オブジェクト検出のためのニューラル圧縮とフィルタリング【JST・京大機械翻訳】

Neural Compression and Filtering for Edge-assisted Real-time Object Detection in Challenged Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2020年07月30日プレプリントサーバーでの情報更新日： 2020年10月18日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

エッジコンピューティングパラダイムは,データ分析タスクの実行においてモバイルデバイスを支援するためのネットワークエッジで,計算可能デバイスエッジサーバを配置する。直感的に,エッジサーバへのオフロード計算インテントタスクは実行時間を短縮できる。しかし,モバイルデバイスをエッジサーバに接続する無線チャネルの貧弱な条件は,エッジオフロードによって達成される全体の捕獲-出力遅延を劣化させる。ここでは,深層ニューラルネットワーク(DNN)による遠隔物体検出をサポートするエッジ計算に焦点を当て,無線リンク上で伝送されたデータ量を低減するためのフレームワークを開発した。コアアイディアは,DNNをセクションに分割する最近のアプローチ,すなわち,モバイルデバイスとエッジサーバによってそれぞれ外れるヘッドとテールモデルの構築を提案する。次に,無線リンクを用いて,DNN入力の代わりにエッジサーバにヘッドモデルの最後の層の出力を輸送する。ほとんどの先行研究は,分類タスクに焦点を合わせ,DNN構造を不変にする。ここで,著者らの焦点は,3つの異なる物体検出タスクのためのDNNsであり,それは,はるかに多くの畳込み構造を提示し,ネットワークのアーキテクチャを修正した。(i)ヘッドモデルの初期層にボトルネック層を導入することでネットワーク内圧縮を達成し,(ii)畳み込みニューラルネットワークを用いて対象の対象を含まないプレフィルタ画像。結果は,提案した技術が,これらの極端な点解が満足な性能を与えることができないパラメータ領域における局所とエッジ計算の間の効果的な中間オプションを表すことを示した。コードと訓練されたモデルはhttps://github.com/yoshitomo matsubara/hnd ghnd object detectorsで利用可能である。【JST・京大機械翻訳】

, , , ,
, , , , , , , , , , 【Automatic Indexing@JST】

計算機網

, , , ,

前のページに戻る