文献

J-GLOBAL ID：202202261115326150   整理番号：22A0963925

軽量エッジデバイスにおけるセンサフュージョンベースアクティビティ分類のための加速SVMアルゴリズム【JST・京大機械翻訳】

Accelerated SVM Algorithm for Sensors Fusion-based Activity Classification in Lightweighted Edge Devices

著者 (3件)： Chang Juneseo (Seoul National University,Department of Computer Science and Engineering,Seoul,Republic of Korea) ,  Kang Myeongjin (School of Electronics Engineering, Kyungpook National University,Daegu,Republic of Korea) ,  Park Daejin (School of Electronics Engineering, Kyungpook National University,Daegu,Republic of Korea)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： ICCE  ページ： 1-4  発行年： 2022年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： スマートホームは,機械学習(ML)技術の助けを借りて,人間の活動分類から便利なサービスを提供することにより,ユーザを支援する。しかし,従来の高性能MLアルゴリズムの大部分は,高い計算電力とメモリ利用を必要とする。したがって,それらはスマートホームのような資源制限組込みシステムに対して適用できない。本研究では,スマートホーム活動データ分類のためのメモリ効率の良い高速MLアルゴリズムを提案した。画像データとして活動データを理解するための方法を提案し,それによって,実世界活動データの代用としてMNISTデータセットを用いた。提案したMLアルゴリズムは,データ前処理,訓練,および分類の3つの部分から成る。データ前処理において,同じラベルの訓練データをさらに詳細なクラスタにグループ化した。訓練プロセスは,前処理データの各クラスタを蓄積し,閾値化することにより超平面を生成する。最後に,ビットワイズ操作ベースの誤差関数を用いて,入力データと各超平面間の類似性を計算することにより,分類プロセスを行った。訓練された超平面を負荷し,1,000訓練データで分類を行うことによって,「Raspberry Pi 3」に関する著者らのアルゴリズムを検証した。Tensorflow Liteから実装された線形サポートベクターマシンと比較して,提案したアルゴリズムは,性能を45%,メモリ使用を15.41%,および実行時間を41.3%に改善した。Copyright 2022 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】

シソーラス用語： *アルゴリズム ,  記憶装置 ,  電力 ,  前処理 ,  クラスタ ,  線形性 ,  類似性 ,  機械学習 ,  誤差関数 ,  サポートベクトルマシン ,  組込みシステム
準シソーラス用語： 訓練データ ,  実行時間 ,  超平面 ,  データ分類 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 軽量 ,  エッジ ,  分類 ,  加速 ,  SVM ,  アルゴリズム