TinySurveillance: An Extra Low-Power Event-Based Surveillance Method for UAVs
Notice bibliographique
Résumé
Unmanned Aerial Vehicles (UAVs) have always been faced with power management challenges to extend their flight time. Managing power consumption becomes critical, especially in surveillance applications, where the longer flight time results in wider coverage and a cheaper solution. Most of the current studies show new methods for event detection without considering power consumption. This article presents an event-driven four-stage video surveillance pipeline with an efficient video transmission algorithm balancing power consumption and image quality. The surveillance starts automatically when the low-power AI-based onboard processor detects the desired event. When The edge node detects the defined event, a sample image is sent to the server for validation. After validation, a colored image accompanied by <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">N</i> grayscale images are sent to the server. The server colorizes the grayscale images using a convolutional neural network trained by the colored images. In this work, an application of wildfire detection and surveillance has been implemented to show the proof of concept of the TinySurveillance method. The results show that the power consumption of the onboard processing unit in detection mode reduces by at least 4 times; during the surveillance mode, the data transmission rate can be decreased by almost 66% while achieving a competent image quality PSNR<sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Avg</sub> of 41.35 dB, PSNR of 30.94 dB, and output frame rate of 5.2.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 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 ».