Fairness scheme for energy efficient H.264/AVC-based video sensor network
Notice bibliographique
Résumé
Abstract The availability of advanced wireless sensor nodes enable us to use video processing techniques in a wireless sensor network (WSN) platform. Such paradigm can be used to implement video sensor networks (VSNs) that can serve as an alternative to existing video surveillance applications. However, video processing requires tremendous resources in terms of computation and transmission of the encoded video. As the most widely used video codec, H.264/AVC comes with a number of advanced encoding tools that can be tailored to suit a wide range of applications. Therefore, in order to get an optimal encoding performance for the VSN, it is essential to find the right encoding configuration and setting parameters for each VSN node based on the content being captured. In fact, the environment at which the VSN is deployed affects not only the content captured by the VSN node but also the node’s performance in terms of power consumption and its life-time. The objective of this study is to maximize the lifetime of the VSN by exploiting the trade-off between encoding and communication on sensor nodes. In order to reduce VSNs’ power consumption and obtain a more balanced energy consumption among VSN nodes, we use a branch and bound optimization techniques on a finite set of encoder configuration settings called configuration IDs (CIDs) and a fairness-based scheme. In our approach, the bitrate allocation in terms of fairness ratio per each node is obtained from the training sequences and is used to select appropriate encoder configuration settings for the test sequences. We use real life content of three different possible scenes of VSNs’ implementation with different levels of complexity in our study. Performance evaluations show that the proposed optimization technique manages to balance VSN’s power consumption per each node while the nodes’ maximum power consumption is minimized. We show that by using that approach, the VSN’s power consumption is reduced by around 7.58% in average.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».