بارگیری وظایف بینایی مبتنی بر یادگیری عمیق از پهپاد به سرور لبه 5G با حذف نویز
| عنوان | بارگیری وظایف بینایی مبتنی بر یادگیری عمیق از پهپاد به سرور لبه 5G با حذف نویز |
|---|---|
| نویسنده | اوزر، صدات، ایلهان، اچ. ای.، اوزکان اوغلو، مهمت آکیف، سیرپان، اچ. |
| تاریخ انتشار: | 2023-06 |
| محل انتشار | - IEEE |
| موضوع | 5G، بارگذاری وظایف محاسباتی، یادگیری عمیق، محاسبات لبه، حذف نویز تصویر، ارتباطات هوشمند، شبکه حذف نویز، تشخیص اشیا، تقسیم بندی اشیا |
| نوع | دوره ای |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 0018-9545 |
| شماره ثبت | d42d9220-a6b3-4c8c-a1da-09b1f2a9c43e |
| محل کتابخانه | علوم کامپیوتر |
| تاریخ | 2023-06 |
| متن نمونه | بارگذاری وظایف محاسباتی سنگین از یک وسیله نقلیه هوایی بدون سرنشین (UAV) به یک سرور راه دور به بهبود عمر باتری کمک می کند و می تواند به کاهش نیاز به منابع کمک کند. وظایف بینایی کامپیوتری مبتنی بر یادگیری عمیق، مانند تقسیم بندی و تشخیص اشیا، الگوریتم های محاسباتی سنگینی هستند که به حافظه و قدرت محاسباتی زیادی نیاز دارند. بسیاری از پهپادها از نسخه های آماده (از پیش آموزش دیده) چنین الگوریتم هایی استفاده می کنند. بارگذاری چنین الگوریتمهای پرمصرف در یک سرور راه دور میتواند به پهپادها در صرفه جویی قابل توجهی در مصرف انرژی کمک کند. با این حال، الگوریتمهای مبتنی بر یادگیری عمیق مستعد نویز هستند و یک سیستم ارتباطی بیسیم، طبیعتاً، نویز را به سیگنال اصلی وارد میکند. هنگامی که سیگنال تصویری را نشان می دهد، نویز بر روی تصویر تأثیر می گذارد. کار زیادی برای مطالعه اثر نویز معرفی شده توسط سیستم ارتباطی بر روی شبکه های عمیق از پیش آموزش دیده انجام نشده است. در این کار، ما ابتدا با تمرکز بر روی تأثیر پارامترهای مختلف یک سیستم ارتباطی بیسیم 5G بر روی تصویر ارسالی، تا چه حد قابل اعتماد است که وظایف بینایی رایانه مبتنی بر یادگیری عمیق (شامل تقسیمبندی و تشخیص اشیاء) را بارگذاری کنیم و نشان دهیم که چگونه نویز معرفیشده از سیستم 5G استفاده شده باعث کاهش عملکرد وظیفه یادگیری عمیق تخلیهشده میشود. سپس راه حل هایی برای حذف (یا کاهش) اثر منفی نویز معرفی می شوند. چارچوب پیشنهادی با معرفی بسیاری از تکنیکهای کلاسیک بهعنوان راهحلهای جایگزین شروع میشود و سپس یک راهحل مبتنی بر یادگیری عمیق جدید را برای حذف نویز تصویر ورودی نویزدار معرفی میکند. عملکرد الگوریتمهای مختلف حذف نویز در بارگذاری هر دو وظیفه تقسیمبندی شی و تشخیص شی مورد مقایسه قرار میگیرد. الگوریتم زهزدای مبتنی بر ترانسفورماتور عمیق پیشنهادی ما (NR-Net) نتایج پیشرفتهای را در آزمایشهای ما به دست میدهد. |
| DOI | 10.1109/TVT.2023.3243529 |
| Cilt | 72 |
