Salient Object Detection in the Distributed Cloud-Edge Intelligent Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Intelligent network is crucial in the building of telecom networks because it utilizes artificial intelligent technologies to improve the performance. Salient object detection has increasingly attracted interest from intelligent network research since estimating human attention to objects is a crucial step in various surveillance applications. However, the computational-consuming and memory-consuming detection model is still less effective when it is deployed only either on the cloud or on the edge. In this article, we propose a specially-designed cloud-edge distributed framework for salient object detection based on the intelligent network. This framework can overcome the difficulty to transmit massive data in the cloud-only deployment scheme, as well as the difficulty to analyze massive data in the edge-only deployment scheme. However, the traditional cloud-edge distributed schemes are unsuitable to salient object detection task because of two challenges: 1) balance between the within-semantic knowledge and cross-semantic knowledge for the model training in different servers; 2) contradiction between extracting the semantic knowledge with global contextual information and local detailed information. To tackle the first challenge, our framework enables a hierarchical information allocation strategy in the cloud. It can prompt the salient object detection model in the edge to learn more from the similar scenes or semantics with where the edge server is located, while preserving the generalization ability of the model in the different scenes. To address the second challenge, our framework proposes a novel pyramidal deep learning model. It can effectively capture the global contextual features of the salient object, while preserving its local detailed features. The extensive experiments performed on six commonly- used public datasets can demonstrate the effectiveness of our framework and its superiority to 11 state-of-the-art approaches.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle