MétaCan
Menu
Retour à la cohorte
Enregistrement W2411268966 · doi:10.1109/jiot.2016.2576479

On Achieving Cyber-Physical Real-Time Snapshot Acquisition in Billboard/Signage Networks

2016· article· en· W2411268966 sur OpenAlexaff
Wei He, Pin‐Han Ho

Notice bibliographique

RevueIEEE Internet of Things Journal · 2016
Typearticle
Langueen
DomaineComputer Science
ThématiqueEnergy Efficient Wireless Sensor Networks
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésSnapshot (computer storage)Computer scienceDigital signageCyber-physical systemSignageComputer networkReal-time computingComputer securityMultimediaDatabaseOperating system

Résumé

récupéré en direct d'OpenAlex

This paper explores a cyber-physical system (CPS) that enables a billboard viewer to instantaneously obtain the snapshot of the displayed media content upon a smartphone gesture. We first define an add-on device mounted to each billboard/signage, called media processing and content access box (MP-CAB), which collaborates with the content management server and the viewers' smartphones for achieving the desired applications. The detailed design of the MP-CAB will be presented, followed by introducing a simple yet efficient multicast scheduling approach in presence of lossy WiFi link and multiple viewers of heterogeneous receiving modes. We model the response delay of the proposed CPS which jointly considers a set of key parameters, such as file size, percentage of receiver modes, and length of snapshot cycles. Extensive case studies are conducted to provide in-depth analysis and gain insights into the proposed CPS and employed scheduling approach regarding the relationship among several operation parameters. Specifically, we look into the network operation and multicast scheduling settings for achieving minimal expected response delay and maximal image size, aiming to gain sufficient understanding of the behavior of the proposed CPS in the real-time content snapshot acquisition process.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,406
Score d'incertitude au seuil0,787

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,227
Écart entre enseignants0,220 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Internet of Things JournalMême sujetEnergy Efficient Wireless Sensor NetworksTravaux en français237 207