講演抄録/キーワード |
講演名 |
2019-03-05 16:00
エッジ端末で実行可能な深層学習を用いた適応的データ圧縮法 ○関根理敏・伊加田恵志(OKI) NS2018-293 |
抄録 |
(和) |
実世界の情報をセンシングし,多様なアプリケーションで活用するため,センサデータの効率的な収集が重要となる.アプリケーションで長期間かつ広範囲にわたるデータを高精度に分析するためには,一般に大量かつ分解能の高いセンサデータがより求められる. 橋梁やビルなどの建造物, また工場で稼働し続ける生産機器などの稼働を監視するために,センサを搭載したエッジ端末を取り付けデータを収集するセンサネットワークが構築されるが, その設置の容易さから無線方式によるものが好まれる傾向がある.しかしながら,エッジ端末から無線によって長期的かつ分解能の高いデータを送信するには,帯域や電力の浪費が課題となる.そこで我々は,データの送信効率化のために圧縮センシングと呼ばれるデータ圧縮手法に着目する.圧縮センシングは一般に,エッジ側における圧縮時の計算量を少なくすることができるが, 圧縮率を高めるにはデータ特性に応じて最適化制御を行う必要があるため, 多くの計算量を必要としてしまう.提案手法では,事前に学習した深層学習の教師あり学習, または強化学習による制御モデルを用いて, より最適な圧縮比を推定することが可能となり,最適化制御に必要な処理負荷を軽減し, かつできるだけ元のデータの情報量を落とさずにそのデータ量を削減することが可能となる. 橋梁に配置された加速度センサで発生するセンサデータを利用して性能評価を行った結果,提案手法は最適な圧縮比を推定する計算負荷を抑えつつ,動的な圧縮比設定により圧縮比と復元誤差率の両方を低下できることが分かった. |
(英) |
Efficient collection of sensor data is important for sensing the real world and utilizing it in various applications. Generally, a large amount of sensor data is required to analyze long-term and wide-range data with high precision in applications. However, at the edge device, waste of radio resources and power due to an increase in the amount of data transmission may occur. Therefore, it is necessary to reduce the amount of data without degrading the information amount of the original data as much as possible. In this paper, we propose a method to set the data transmission efficiency and optimize it to estimate the compression ratio of the compressed sensing. It is executable at the edge device dynamically and directly, in order to improve data transmission efficiency. Generally, optimization control generally requires a large amount of calculation amount, but by using the learning model of supervised learning or reinforcement learning in deep learning learned in advance in the proposed method, the search for optimal compression ratio can be performed with less processing load. As a result of performance evaluation, using the data generated by an acceleration sensor placed on the bridge, the proposed method can reduce the computational load for estimating the optimum compression ratio, while reducing both compression ratio and reconstruction error. |
キーワード |
(和) |
センサネットワーク / 圧縮センシング / エッジ端末 / 深層学習 / 教師あり学習 / 強化学習 / / |
(英) |
sensor networks / compressed sensing / edge device / deep learning / supervised learning / reinforcement learning / / |
文献情報 |
信学技報, vol. 118, no. 465, NS2018-293, pp. 575-580, 2019年3月. |
資料番号 |
NS2018-293 |
発行日 |
2019-02-25 (NS) |
ISSN |
Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
NS2018-293 |
研究会情報 |
研究会 |
IN NS |
開催期間 |
2019-03-04 - 2019-03-05 |
開催地(和) |
沖縄コンベンションセンター |
開催地(英) |
Okinawa Convention Center |
テーマ(和) |
一般 |
テーマ(英) |
General |
講演論文情報の詳細 |
申込み研究会 |
NS |
会議コード |
2019-03-IN-NS |
本文の言語 |
日本語 |
タイトル(和) |
エッジ端末で実行可能な深層学習を用いた適応的データ圧縮法 |
サブタイトル(和) |
|
タイトル(英) |
Adaptive Data Compression Using Deep Learning Executable on Edge Device |
サブタイトル(英) |
|
キーワード(1)(和/英) |
センサネットワーク / sensor networks |
キーワード(2)(和/英) |
圧縮センシング / compressed sensing |
キーワード(3)(和/英) |
エッジ端末 / edge device |
キーワード(4)(和/英) |
深層学習 / deep learning |
キーワード(5)(和/英) |
教師あり学習 / supervised learning |
キーワード(6)(和/英) |
強化学習 / reinforcement learning |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
関根 理敏 / Masatoshi Sekine / セキネ マサトシ |
第1著者 所属(和/英) |
沖電気工業株式会社 (略称: OKI)
Oki Electric Industry Co., Ltd. (略称: OKI) |
第2著者 氏名(和/英/ヨミ) |
伊加田 恵志 / Satoshi Ikada / イカダ サトシ |
第2著者 所属(和/英) |
沖電気工業株式会社 (略称: OKI)
Oki Electric Industry Co., Ltd. (略称: OKI) |
第3著者 氏名(和/英/ヨミ) |
/ / |
第3著者 所属(和/英) |
(略称: )
(略称: ) |
第4著者 氏名(和/英/ヨミ) |
/ / |
第4著者 所属(和/英) |
(略称: )
(略称: ) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2019-03-05 16:00:00 |
発表時間 |
20分 |
申込先研究会 |
NS |
資料番号 |
NS2018-293 |
巻番号(vol) |
vol.118 |
号番号(no) |
no.465 |
ページ範囲 |
pp.575-580 |
ページ数 |
6 |
発行日 |
2019-02-25 (NS) |
|