Towards Scalable IoT Deployment for Visual Anomaly Detection via Efficient Compression

要約

視覚異常検出（VAD）は、運用コストを最小限に抑えることが不可欠な産業環境の重要なタスクです。
モノのインターネット（IoT）環境内にディープラーニングモデルを展開すると、計算能力が限られているため、エッジデバイスの帯域幅が限られているため、特定の課題が導入されます。
この研究では、コンパクトで効率的な処理戦略を活用することにより、このような制約の下でVADを効果的に実行する方法を調査します。
システムのレイテンシと検出精度の間のトレードオフを調べると、いくつかのデータ圧縮手法を評価します。
MVTEC ADベンチマークの実験は、非圧縮データと比較して、異常検出性能の最小限の損失で有意な圧縮を達成できることを示しています。
現在の結果は、エッジ処理、伝送、サーバーの計算など、エンドツーエンドの推論時間が最大80％減少しています。

要約(オリジナル)

Visual Anomaly Detection (VAD) is a key task in industrial settings, where minimizing operational costs is essential. Deploying deep learning models within Internet of Things (IoT) environments introduces specific challenges due to limited computational power and bandwidth of edge devices. This study investigates how to perform VAD effectively under such constraints by leveraging compact, efficient processing strategies. We evaluate several data compression techniques, examining the tradeoff between system latency and detection accuracy. Experiments on the MVTec AD benchmark demonstrate that significant compression can be achieved with minimal loss in anomaly detection performance compared to uncompressed data. Current results show up to 80% reduction in end-to-end inference time, including edge processing, transmission, and server computation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google