Компьютерные науки > Создание сетей и архитектура Интернета [представлен 16 июня 2026 года] Название: Real-Time Smart Retily Analytics through Fog Computation с использованием модели RatileLightNet Lightweight View Abstract:Smart розничные системы в настоящее время зависят от применения видеоанализов в режиме реального времени, которые могут отслеживать поведение клиентов, управлять инвентаризацией полок и усовершенствовать внутренние процессы. В настоящее время применение видеоанализа на основе облачных технологий сталкивается с многочисленными проблемами, такими как высокая запоздалость самого сообщения, проблемы конфиденциальности при передаче сырого видео и потребности в расчетах моделей тяжелого зрения, используемых для часто ограниченной сетевой инфраструктуры. Эти проблемы приводят к задержкам в принятии решений там, где принятие оперативных мер имеет решающее значение. Для решения этих краткосрочных задач в этом исследовании предлагаются анализы на основе Fog с помощью RetailLightNet (F RLN) — ультралегкая модель глубокого обучения, которая специально подходит для края, ресурсные возможности аппаратных средств таких устройств как NVIDIA Jetson Nano. В рамках этого подхода используются общедоступные наборы данных розничной торговли, SKU110K и RPC, которые содержат различные варианты взаимодействия продуктов, полок и клиентов для этих веб-процессов, включая предварительную обработку изображений путем нормализации и использования модели с привязкой к движениям в целях…
Смарт-анализ в реальном масштабе времени с помощью Fog вычислений с использованием модели RailyLightNet Lightweight
arXiv: 261 030 58771v 1 Annuales Type: кросс-бюллетень: Smart Displace systems теперь зависит от применения видеоанализа в режиме реального времени, который может отслеживать поведение клиентов, управлять инвентаризацией полок и совершенствовать внутренние процессы. В настоящее время применение видеоанализа на основе облачных технологий сталкивается с многочисленными проблемами, такими как высокая запоздалость самого сообщения, проблемы конфиденциальности при передаче сырого видео и потребности в расчетах моделей тяжелого зрения, используемых для часто ограниченной сетевой инфраструктуры. Эти проблемы приводят к задержкам в принятии решений там, где принятие оперативных мер имеет решающее значение. Для решения этих краткосрочных задач в этом исследовании предлагаются анализы на основе Fog с помощью RetailLightNet (F RLN) — ультралегкая модель глубокого обучения, которая специально подходит для края, ресурсные возможности аппаратных средств таких устройств как NVIDIA Jetson Nano. В рамках этого подхода используются общедоступные наборы данных розничной торговли, SKU110K и RPC, которые содержат различные продукты, полки и клиентуры.