Edge TMS: Optimized Real-Time Temperature Monitoring Systems Deployed on Edge AI Devices
Notice bibliographique
Résumé
Temperature monitoring system (TMS) aims to reduce the infection spread and outbreak of COVID-19 through early detection. Conventional and currently deployed TMS have high implementation cost and require a substantial amount of space. Also, the performance often depends on the accuracy of the thermal camera. To address this, we propose Edge TMS wherein a multi-task cascaded convolutional neural networks (MTCNN)-based TMS is deployed on an edge AI device. To overcome the resource constraints of edge AI devices, an optimization method is applied to compress MTCNN up to 100×. The compressed MTCNN is deployed on the local PC, Jetson Xavier, Jetson TX2, and Jetson Nano which yields a Pruning-Per-Reduction Ratio (PPRR) values of 1.21, 1.63, 1.99, and 2.10, respectively. We proposed the PPRR metric to measure the performance of the compressed model. Low PPRR values indicate an improvement in the hardware performance and computational efficiency of the optimized model. The optimized model deployed in all the Jetson series achieved an average percent power reduced (%R) of 53.18% with a percent difference of 35.9% from the results of the local PC.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».