WikiEdge:ArXiv速递/2025-03-12:修订间差异

来自WikiEdge
跳转到导航 跳转到搜索
Carole留言 | 贡献
Updated page by Carole
Carole留言 | 贡献
Updated page by Carole
第16行: 第16行:
*'''原文链接''':http://arxiv.org/abs/2503.09546v1
*'''原文链接''':http://arxiv.org/abs/2503.09546v1
'''中文摘要''':[[边缘设备]]如[[Nvidia Jetson]]平台现在提供了多个板载加速器——包括[[GPU]] [[CUDA]]核心、[[Tensor]]核心和[[深度学习加速器]](DLA)——这些加速器可以同时利用以提升[[深度神经网络]](DNN)推理性能。在本文中,我们通过评估在这些异构组件上同时运行多个[[ResNet50]]模型实例的性能影响,扩展了之前的工作。我们详细分析了不同批处理大小和硬件组合对[[吞吐量]]和[[延迟]]的影响。我们的扩展分析不仅突出了结合[[CUDA]]和[[Tensor]]核心的优势,还揭示了在集成[[DLA]]时由于资源竞争导致的性能下降。这些发现,连同对精度约束和工作负载分配挑战的见解,激励我们进一步探索智能调度机制以优化[[边缘平台]]上的资源利用率。
'''中文摘要''':[[边缘设备]]如[[Nvidia Jetson]]平台现在提供了多个板载加速器——包括[[GPU]] [[CUDA]]核心、[[Tensor]]核心和[[深度学习加速器]](DLA)——这些加速器可以同时利用以提升[[深度神经网络]](DNN)推理性能。在本文中,我们通过评估在这些异构组件上同时运行多个[[ResNet50]]模型实例的性能影响,扩展了之前的工作。我们详细分析了不同批处理大小和硬件组合对[[吞吐量]]和[[延迟]]的影响。我们的扩展分析不仅突出了结合[[CUDA]]和[[Tensor]]核心的优势,还揭示了在集成[[DLA]]时由于资源竞争导致的性能下降。这些发现,连同对精度约束和工作负载分配挑战的见解,激励我们进一步探索智能调度机制以优化[[边缘平台]]上的资源利用率。
== 摘要 ==
* '''原文标题''':GenHPE: Generative Counterfactuals for 3D Human Pose Estimation with Radio Frequency Signals
* '''中文标题''':GenHPE:基于射频信号的3D人体姿态估计的生成反事实
* '''发布日期''':2025-03-12 16:53:58+00:00
* '''作者''':Shuokang Huang, Julie A. McCann
* '''分类''':cs.CV, cs.AI, cs.MM, eess.SP
*'''原文链接''':http://arxiv.org/abs/2503.09537v1
'''中文摘要''':[[人体姿态估计]](HPE)通过检测人体关节的位置,应用于多种场景。与使用[[摄像头]]相比,利用[[射频]](RF)信号进行HPE具有非侵入性,并且在恶劣条件下更具鲁棒性,因为它利用了人体干扰引起的信号变化。然而,现有研究主要集中在受限于特定领域混杂因素的单领域HPE上,无法泛化到新领域,导致HPE性能下降。具体而言,不同人体部位引起的信号变化相互纠缠,包含特定主体的混杂因素。RF信号还与[[环境噪声]]交织,涉及特定环境的混杂因素。在本文中,我们提出了GenHPE,一种生成反事实RF信号以消除特定领域混杂因素的3D HPE方法。GenHPE训练基于人体骨骼标签的生成模型,学习人体部位和混杂因素如何干扰RF信号。我们通过操纵骨骼标签(例如移除身体部位)作为生成模型的反事实条件,合成反事实RF信号。反事实信号之间的差异近似消除了特定领域的混杂因素,并规范了编码器-解码器模型以学习领域无关的表示。这些表示帮助GenHPE泛化到新主体/环境,实现跨领域3D HPE。我们在来自[[WiFi]]、[[超宽带]]和[[毫米波]]的三个公开数据集上评估了GenHPE。实验结果表明,GenHPE优于现有方法,在跨主体HPE中减少了高达52.2毫米的估计误差,在跨环境HPE中减少了10.6毫米的估计误差。

2025年3月13日 (四) 05:12的版本

摘要

  • 原文标题:The effect of intelligent monitoring of physical exercise on executive function in children with ADHD
  • 中文标题:智能监测体育锻炼对ADHD儿童执行功能的影响
  • 发布日期:2025-03-12 05:22:42+00:00
  • 作者:Liwen Lin, Nan Lib, Shuchen Zhao
  • 分类:cs.HC
  • 原文链接http://arxiv.org/abs/2503.09079v1

中文摘要ADHD儿童通常在执行功能(EF)和运动技能方面存在困难,这影响了他们的学业社交生活。虽然药物是常用的治疗方法,但它们有副作用,因此人们对非药物治疗产生了兴趣。体育活动(PA)在改善ADHD儿童的认知和运动技能方面显示出潜力。本研究考察了三种PA干预措施的短期和长期效果:特定技能训练组(EG1)、低需求运动组(EG2)和对照组(CG),持续12周。EG1在运动任务和工作记忆方面表现出显著改善(15%的改善,p<0.05),而EG2和CG的变化较小。长期PA改善了工作记忆,但短期PA对平衡手部灵活性的影响有限。这些发现表明,技能训练对运动表现有即时影响,而更复杂的运动技能需要更长时间的干预。智能设备跟踪了进展,确认了EG1的持续参与和改善。这项研究强调了PA作为一种有前景的非药物治疗ADHD的方法,值得进一步探索其对其他认知领域的影响。

摘要

  • 原文标题:Evaluating Multi-Instance DNN Inferencing on Multiple Accelerators of an Edge Device
  • 中文标题:评估边缘设备上多个加速器的多实例深度神经网络推理
  • 发布日期:2025-03-12 17:04:30+00:00
  • 作者:Mumuksh Tayal, Yogesh Simmhan
  • 分类:cs.DC
  • 原文链接http://arxiv.org/abs/2503.09546v1

中文摘要边缘设备Nvidia Jetson平台现在提供了多个板载加速器——包括GPU CUDA核心、Tensor核心和深度学习加速器(DLA)——这些加速器可以同时利用以提升深度神经网络(DNN)推理性能。在本文中,我们通过评估在这些异构组件上同时运行多个ResNet50模型实例的性能影响,扩展了之前的工作。我们详细分析了不同批处理大小和硬件组合对吞吐量延迟的影响。我们的扩展分析不仅突出了结合CUDATensor核心的优势,还揭示了在集成DLA时由于资源竞争导致的性能下降。这些发现,连同对精度约束和工作负载分配挑战的见解,激励我们进一步探索智能调度机制以优化边缘平台上的资源利用率。

摘要

  • 原文标题:GenHPE: Generative Counterfactuals for 3D Human Pose Estimation with Radio Frequency Signals
  • 中文标题:GenHPE:基于射频信号的3D人体姿态估计的生成反事实
  • 发布日期:2025-03-12 16:53:58+00:00
  • 作者:Shuokang Huang, Julie A. McCann
  • 分类:cs.CV, cs.AI, cs.MM, eess.SP
  • 原文链接http://arxiv.org/abs/2503.09537v1

中文摘要人体姿态估计(HPE)通过检测人体关节的位置,应用于多种场景。与使用摄像头相比,利用射频(RF)信号进行HPE具有非侵入性,并且在恶劣条件下更具鲁棒性,因为它利用了人体干扰引起的信号变化。然而,现有研究主要集中在受限于特定领域混杂因素的单领域HPE上,无法泛化到新领域,导致HPE性能下降。具体而言,不同人体部位引起的信号变化相互纠缠,包含特定主体的混杂因素。RF信号还与环境噪声交织,涉及特定环境的混杂因素。在本文中,我们提出了GenHPE,一种生成反事实RF信号以消除特定领域混杂因素的3D HPE方法。GenHPE训练基于人体骨骼标签的生成模型,学习人体部位和混杂因素如何干扰RF信号。我们通过操纵骨骼标签(例如移除身体部位)作为生成模型的反事实条件,合成反事实RF信号。反事实信号之间的差异近似消除了特定领域的混杂因素,并规范了编码器-解码器模型以学习领域无关的表示。这些表示帮助GenHPE泛化到新主体/环境,实现跨领域3D HPE。我们在来自WiFi超宽带毫米波的三个公开数据集上评估了GenHPE。实验结果表明,GenHPE优于现有方法,在跨主体HPE中减少了高达52.2毫米的估计误差,在跨环境HPE中减少了10.6毫米的估计误差。